Ayuda con la codificación de CSV

Cómo se usa

1. Suelta un CSV sobre la tarjeta o haz clic en «Elegir archivo». La codificación y el delimitador se detectan al momento y la tabla aparece debajo: no hay ningún botón que pulsar. La línea bajo «Qué es este archivo» indica qué codificación se ha usado y cuántas otras candidatas habrían descodificado el archivo igual de bien.
2. Si la vista previa sigue estando mal, elige la codificación de origen a mano. La lista sigue el idioma de esta página: las páginas en chino empiezan por GB18030 y Big5, las páginas en árabe por Windows-1256 e ISO-8859-6, y las páginas en inglés por Windows-1252 y MacRoman. El cambio es instantáneo y nunca toca el archivo que has abierto.
3. Pulsa «Descargar CSV» para obtener la copia reparada. Siempre es UTF-8; al marcar «Añadir BOM» (activado por defecto) se añade la marca de tres bytes al principio para que Excel deje de recurrir a la página de códigos del sistema. «Copiar» te da el mismo texto sin esa marca, listo para una base de datos o un script.
4. El texto pegado es la segunda entrada, para cuando los caracteres dañados ya se habían guardado como texto en un archivo. En ese punto no quedan bytes originales, así que no se puede detectar nada; pero al marcar «Reparar caracteres dañados» el texto se vuelve a escribir como bytes en Windows-1252 y se lee como UTF-8, lo que devuelve «Café» a «Café».

Límites

• La exportación es solo UTF-8 (con o sin BOM). TextEncoder de la plataforma implementa UTF-8 y nada más, así que construir una tabla de páginas de códigos a mano no podría verificarse byte a byte contra iconv o Excel: afirmar «convertido a GBK» sería una precisión falsa. Para escribir una página de códigos antigua, confirma aquí primero la codificación y luego ejecuta iconv -f <origen> -t GBK en tu equipo.
• Una página de códigos antigua siempre se indica como estimación, nunca como certeza. GBK y Big5, o Windows-1252 y MacRoman, son intercambiables en muestras cortas, así que la herramienta enumera los candidatos empatados y te deja confirmar desde la vista previa con un clic.
• Algunas secuencias de bytes de GBK y Big5 también resultan ser UTF-8 válido (C2 80 es el carácter 聙 en GB18030 y un carácter de control en UTF-8). Esas se rebajan a estimación y se enumeran los candidatos en lugar de confiar en ellas en silencio.
• El conjunto de candidatos es el que admite TextDecoder del navegador. CP437, TIS-620 y hp-roman8 no están incluidos, y UTF-32 no se puede descodificar en absoluto: si se detecta una marca de orden de bytes UTF-32, se informa y se rechaza.
• El texto pegado no lleva bytes. Se puede reparar si los caracteres dañados han sobrevivido, pero el texto que ya contiene ? o el carácter de reemplazo ha perdido información para siempre y nunca se «arregla» en silencio.
• La vista previa muestra las primeras 200 filas y trunca las celdas largas; la descarga contiene toda la tabla con los valores completos. No se recorta nada, no se reconvierten tipos ni se quitan duplicados: los ceros iniciales, las fechas que parecen números y las comas entrecomilladas se quedan exactamente como estaban.
• Los archivos de más de 5 MB y los textos de más de 200.000 puntos de código se rechazan con un mensaje en lugar de truncarse. .xls y .xlsx son contenedores binarios y no se leen.
• Todo se ejecuta en esta pestaña: sin subidas, sin escribir nada en la barra de direcciones y sin almacenar nada. Para comprobarlo, desactiva la red después de cargar la página: la herramienta sigue funcionando.