Guías

Reparar texto roto en GBK, Big5, Shift-JIS y EUC-KR localmente

Diagnostica y recupera archivos de texto chinos, japoneses y coreanos con mojibake (GBK, GB18030, Big5, Shift-JIS, EUC-KR) a UTF-8 sin subirlos.

3 min de lectura

Respuesta rápida: Las exportaciones heredadas, subtítulos y archivos de Asia Oriental suelen codificarse en `GBK`, `GB18030`, `Big5`, `Shift-JIS` o `EUC-KR`. Ejecutar validación UTF-8 estricta y análisis estadístico de bytes localmente sobre `Uint8Array` permite decodificar texto corrupto a UTF-8 limpio sin subir archivos.

Por qué el texto CJK se convierte en � o Õ½ÚÒ»

Las codificaciones regionales antiguas representan caracteres de Asia Oriental con secuencias de 2 bytes fuera de ASCII. El chino simplificado de apps clásicas de Windows suele usar GBK o GB18030; el chino tradicional, Big5; las exportaciones japonesas, Shift-JIS; y los sistemas coreanos antiguos, EUC-KR.

Cuando un lector UTF-8 interpreta esos bytes crudos como Latin-1 o inserta glifos de reemplazo (`�`), el texto resulta ilegible aunque los bytes originales aún conserven la información exacta.

  • GBK / GB18030: página de códigos Windows 936 de chino simplificado.
  • Big5: página de códigos 950 de chino tradicional habitual en Taiwán y Hong Kong.
  • Shift-JIS: página de códigos japonesa 932 frecuente en CSV, juegos y letras.
  • EUC-KR: archivos coreanos heredados de página de códigos 949 / KS X 1001.

Cómo la detección estricta de bytes evita la doble corrupción

Nunca guardes un archivo tras verlo dañado en el Bloc de notas: al hacerlo sobrescribes los bytes originales con caracteres de reemplazo `�`. Decodifica siempre los bytes intactos del archivo original.

TxtTo comprueba primero `TextDecoder("utf-8", { fatal: true })`, inspecciona cabeceras BOM, ejecuta detección estadística con `chardet` y te permite forzar la página de códigos de origen.

ts
const decoder = new TextDecoder("gb18030");
const cleanText = decoder.decode(originalFileBytes);
const utf8Bytes = new TextEncoder().encode(cleanText);

Convertir GBK / Big5 / Shift-JIS / EUC-KR a UTF-8

Reparar subtítulos CJK (.srt / .lrc) y carpetas por lotes

Los archivos de fansubs y letras de karaoke suelen venir en GBK o Shift-JIS, mostrando cuadros ilegibles en reproductores modernos o en video HTML5.

Suelta un lote completo de archivos `.txt`, `.csv`, `.srt`, `.lrc` o `.log` en TxtTo para convertirlos todos a UTF-8 a la vez y descargar un único archivo ZIP limpio.

Reparar CSV CJK con BOM UTF-8 para Excel

Estandarizar saltos de línea tras convertir la codificación

Las exportaciones de páginas de códigos antiguas de Windows también traen finales CRLF (`\r\n`). Si vas a llevar los scripts o configuraciones CSV convertidas a macOS/Linux o repos Git, continúa con la normalización de CRLF a LF.

Normalizar saltos de línea CRLF a LF

Referencias

Preguntas frecuentes

¿Qué diferencia hay entre GBK y GB18030?

GB18030 es el superconjunto moderno de GBK y GB2312. Usar el decodificador GB18030 lee de forma segura casi todos los archivos antiguos en chino simplificado, incluidos caracteres raros.

¿Puede TxtTo recuperar texto después de guardarlo con rombos de interrogación?

Si alguien ya sobrescribió el archivo con caracteres literales U+FFFD, los bytes originales se perdieron. Ejecuta siempre la conversión sobre el archivo original sin modificar.

¿TextDecoder de WHATWG soporta Big5, Shift-JIS y EUC-KR sin conexión?

Sí. Los navegadores modernos implementan de forma nativa el estándar WHATWG Encoding dentro de TextDecoder sin tablas externas ni llamadas a servidores.

Formatos relacionados

Comparativas relacionadas

Guías relacionadas