Detector de Codificação de Texto

Quando o resultado é legado ou desconhecido

Textos que não são UTF-8 válidos geralmente usam uma codificação de byte único mais antiga. Para textos da Europa Ocidental, isso normalmente significa Windows-1252 ou ISO-8859-1. Converta uma vez e mantenha UTF-8 de então em diante: iconv -f WINDOWS-1252 -t UTF-8 in.txt > out.txt no Linux ou macOS, ou abra o arquivo em um editor que permita escolher a codificação e salve como UTF-8. Apenas o primeiro 1 MB é inspecionado, portanto um arquivo grande cujo primeiro megabyte seja ASCII puro ainda pode conter texto não ASCII mais adiante.

Marcas de ordem dos bytes e UTF-16

Uma marca de ordem dos bytes UTF-8 (EF BB BF) ajuda o Excel a abrir corretamente um CSV com acentos, mas causa problemas em outros contextos: na linha #! de um script de shell, em uma saída PHP enviada antes dos cabeçalhos e no nome da primeira coluna de um CSV lido por código que não a remove. Arquivos UTF-16 geralmente vêm do Windows, por exemplo do redirecionamento > do Windows PowerShell 5.1. Muitas ferramentas Unix os leem como texto cheio de bytes nulos.

Como usar

1. Escolha um arquivo de texto (ou semelhante) de até 50 MB.
2. Inspecione localmente os primeiros 1 MB.
3. Confira a codificação e o rótulo de confiança.

Privacidade e limitações

O arquivo permanece local. A detecção de codificação sem BOM é heurística e nem sempre consegue distinguir conjuntos de caracteres legados.