O que esta ferramenta faz
Os mesmos bytes lidos como UTF-8 e como GBK dão dois conjuntos de caracteres completamente diferentes: o ficheiro não está danificado, foi descodificado com a codificação errada. É isto que o corretor faz:
- Descobre em que codificação o ficheiro foi escrito e volta a ler os caracteres corretamente
- Diz-te exatamente como o texto se partiu: caracteres de substituição, caracteres de controlo, símbolos de moeda, filas de letras acentuadas, muralhas de caracteres raros
- Ordena as reparações por aquela que mais parece linguagem real, escolhes uma e gravas
- Quando o teu leitor não deteta a codificação, grava uma cópia em UTF-8 com BOM ou em GBK para lhe dar
Envia o ficheiro, não o colem
Os dois acessos não conseguem reparar o mesmo, por isso envia o ficheiro se puderes. Com um ficheiro, os bytes originais continuam lá: a ferramenta experimenta uma codificação atrás da outra e, assim que reconhece GBK, descodifica como GBK, sem adivinhar nada. O texto que chega colado já não são bytes em bruto: quando o navegador entrega a cadeia, o erro já aconteceu, por isso só resta trabalhar para trás e salvar o que der.
Se o texto colado já contém o caráter de substituição (aquele ponto de interrogação numa caixa `�`), os bytes originais perderam-se há muito e ninguém os recupera. A página diz isso sem rodeios: volta acima e usa «Escolher ficheiro» para enviar o original.
O que o diagnóstico te está a dizer
Ao enviar, o cartão de diagnóstico dá um veredicto. Sem caracteres ilegíveis: o conteúdo lê-se bem como está; se o teu leitor ainda mostra lixo, usou a codificação errada: desce a «Guardar como», escolhe outra e dá-lhe esse ficheiro. Quando parece ilegível, enumera que rasto encontrou:
- Contém caracteres de substituição — os bytes originais já se perderam
- Meteram-se caracteres de controlo
- Está salpicado de símbolos de moeda e matemáticos
- Letras acentuadas aparecem em blocos — como se o UTF-8 tivesse sido lido byte a byte (`ä½ å¥½` é desse tipo)
- Filas de caracteres CJK sem um único que seja comum — como se o UTF-8 tivesse sido lido como GBK
Como se ordenam e como escolher
Em «Podes corrigir assim» listam-se até 12 candidatos por ordem de aquela que mais parece linguagem real, cada um com o par de codificações de que foi lido. Clica num para ver como fica, escolhe-o e desce para gravar. Não convence? Usa «Manter como está» para voltar ao original.
A ordem vem de uma pontuação: proporção de caracteres comuns, filas de acentos, filas de símbolos, muralhas de caracteres raros, tudo ponderado. Se nenhuma pontuação for claramente melhor, nada é recomendado: não te vai empurrar um candidato a meio só para ter um. O texto estragado duas vezes (gravado mal uma vez e corrigido mal outra) recebe uma volta extra de dedução inversa sobre os primeiros candidatos.
Gravar bem é o último passo
Um resultado corrigido ainda tem de ser gravado bem. Quando um leitor não deteta UTF-8, gravar em UTF-8 com BOM (os leitores do Windows confiam no BOM) ou em GBK costuma resolver. Podes gravar em UTF-8, UTF-8 (com BOM), GBK, Big5, Shift_JIS ou EUC-KR; se algo não couber, és avisado para escolher outra (GBK não leva coreano). O ficheiro descarregado leva `-fixed` acrescentado ao nome.
Quando a codificação detetada não é UTF-8, «Guardar como» já vem pré-definida em UTF-8 com BOM. Assim que tocas no menu, deixa de decidir por ti.
O que nunca é mexido
Só se substituem os caracteres mal lidos. Índices, tempos e linhas de estilo ASS não são alterados de forma alguma.
Perguntas frequentes
Enviei o ficheiro, porque tenho de gravar outra vez? O ficheiro costuma estar bem; o que está estragado é o leitor que o leu com a codificação errada. Nesse caso não é preciso mudar um único caráter do texto: basta gravar uma cópia em UTF-8 com BOM ou GBK e dar-lha.
Porque é que o texto colado não se corrige? Assim que aparece o caráter de substituição no conteúdo colado, os bytes originais já lá não estão e não há nada de onde deduzir. Volta acima e usa «Escolher ficheiro» para enviar o original.
O candidato que quero não aparece? Nada é recomendado a não ser que pontue claramente melhor do que o que já tens. Tenta mudar a codificação detetada para outra e deixa reordenar.
Quantos ficheiros de cada vez? Um de cada vez. Descarrega a correção e mete o seguinte.
Privacidade
A deteção e a correção correm inteiramente no teu navegador. Nenhum conteúdo de legendas é enviado para um servidor.
Ferramentas e guias relacionadas
De onde vêm os caracteres ilegíveis e porque acabam com esse aspeto, em De onde vêm os caracteres ilegíveis; a codificação está bem mas o conteúdo está sujo, usa Limpeza de legendas; para rever tempos e velocidade de leitura, Controlo de qualidade.