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.
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.
const decoder = new TextDecoder("gb18030");
const cleanText = decoder.decode(originalFileBytes);
const utf8Bytes = new TextEncoder().encode(cleanText);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.
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.
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
- Por qué Excel rompe los CSV UTF-8 y cómo lo corrige el BOM UTF-8Evita que Microsoft Excel convierta acentos, eñes o texto chino, japonés y coreano en símbolos rotos añadiendo un BOM UTF-8 de 3 bytes en local.
- SRT vs WebVTT vs ASS: Guía de conversión y sincronía de subtítulosDomina las reglas de marcas temporales de SRT, WebVTT y ASS/SSA: convierte formatos, limpia líneas repetidas y corrige desfase de audio localmente.
- Combinar y dividir CSV grandes en local sin colgar ExcelUne múltiples exportaciones CSV por nombre de columna o divide hojas pesadas en fragmentos con cabecera repetida y ZIP en memoria del navegador.