Filen är inte trasig, läsningen är fel
I en undertextfil finns byte. För att göra byte till tecken måste du veta vilken kodning de skrevs med — väljer du fel blir det trasiga tecken. Själva filen har inte förlorat en enda byte; läser du den med en annan kodning kommer tecknen tillbaka.
Trasiga tecken är alltså två saker: känna igen vilken kodning det ursprungligen skrevs med och spara i en kodning som spelaren känner igen. Det första görs genom provläsning och poängsättning, det andra genom Spara som.
Fem utseenden, fem orsaker
Trasiga tecken uppstår inte slumpmässigt; utseendet avslöjar direkt orsaken:
- Rader av bokstäver med accenter (`ä½ å¥½`): text i UTF-8 har lästs som en kodning med en byte i taget — i UTF-8 är ett tecken tre byte, vid läsning en byte i taget blir varje byte en egen bokstav
- Tecken i rader men inte ett enda vanligt: UTF-8 har lästs som GBK — två byte i taget paras om och bara sällsynta tecken kommer ut
- Fullt av valuta- och matematiksymboler: bytena hamnade i symbolområdet, ofta vid läsning som Mac Roman eller Latin-1-familjen
- Styrteken har smugit sig in: bytena hamnade i det osynliga styrområdet, på skärmen syns tomrum eller en fyrkant
- Det fyrkantiga frågetecknet `�`: det är ett ersättningstecken, inte trasiga tecken — det betyder att här fanns ett tecken som redan gick förlorat
Varför ersättningstecken inte går att laga
Ersättningstecknet är den viktiga gränsen. Syns `�` har bytena kastats redan i ett tidigare steg (ofta har något program läst filen en gång och sparat den en gång); det finns inget spår av det bortkastade. Baklängesresonemanget saknar då grund — ingen kan laga det.
Därför behandlar reparationssidan två fall separat: vid uppladdning finns originalbytena kvar och varje kodning kan provas i tur och ordning; finns ersättningstecknet redan i inklistrad text sägs det rakt ut att det inte går och originalfilen ska laddas upp.
Det finns också ett omvänt fall: innehållet läses helt normalt men i spelaren är det ändå trasigt. Det är inte filens fel utan spelaren som valde fel kodning. Att ändra filen hjälper inte; ge spelaren en kopia sparad som UTF-8 med BOM eller GBK.
Vad som jämförs vid reparation
Verktyget provar varje möjlig kodning i tur och ordning och ger sedan varje resultat poäng: hur mycket vanliga tecken, finns rader av accenter, finns rader av symboler, är tecknen sammanhängande sällsynta. Den med högst poäng står överst.
Är poängen inte tydligt bättre rekommenderas inget — hellre säga att den här filen läses normalt än att nöja dig med ett påhugget resultat. Vid filer som behandlats fel två gånger resoneras ett lager till bakåt vid de första kandidaterna.
Spara i rätt kodning avslutar jobbet
Den reparerade texten måste också sparas i en kodning som spelaren känner igen. Spelare i Windows känner oftast igen kodningen på BOM:en, så UTF-8 med BOM är enklast; äldre apparater och lokala spelare känner igen GBK. Kodningar att välja: UTF-8, UTF-8 (med BOM), GBK, Big5, Shift_JIS, EUC-KR; får det inte plats uppmanas du välja en annan.
Relaterade verktyg och guider
Hela tillvägagångssättet i Så här använder du reparation av trasiga tecken; vad som egentligen står i en SRT-fil i Vad står det i en SRT-fil; är kodningen bra men innehållet smutsigt använder du Städa undertexter.