Ajuda de codificação CSV

Como usar

1. Solte um CSV sobre o cartão ou clique em “Escolher arquivo”. A codificação e o delimitador são detectados imediatamente e a tabela aparece abaixo — sem botão para pressionar. A linha sob “O que é este arquivo” informa qual codificação foi usada e quantos outros candidatos decodificariam o arquivo igualmente bem.
2. Se a prévia ainda estiver errada, escolha a codificação de origem manualmente. A lista acompanha o idioma desta página: páginas em chinês começam com GB18030 e Big5, páginas em árabe com Windows-1256 e ISO-8859-6, páginas em inglês com Windows-1252 e MacRoman. A troca é instantânea e nunca altera o arquivo aberto.
3. Pressione “Baixar CSV” para obter a cópia corrigida. Ela é sempre UTF-8; marcar “Adicionar BOM” (ativo por padrão) coloca a marca de três bytes no início para o Excel parar de recorrer à página de código do sistema. “Copiar” entrega o mesmo texto sem essa marca, pronto para um banco de dados ou um script.
4. Texto colado é a segunda entrada, para o caso em que os caracteres corrompidos já foram salvos em um arquivo como texto. Nesse ponto não restam bytes originais, então nada pode ser detectado — mas marcar “Corrigir caracteres corrompidos” grava o texto de volta como bytes Windows-1252 e o lê como UTF-8, o que restaura “Café” para “Café”.

Limites

• A exportação é somente UTF-8 (com ou sem BOM). O TextEncoder da plataforma implementa UTF-8 e nada mais, então montar uma tabela de página de código à mão não poderia ser verificado byte a byte contra iconv ou Excel — afirmar “convertido para GBK” seria uma precisão falsa. Para gravar uma página de código legada, confirme primeiro a codificação aqui e depois execute iconv -f <origem> -t GBK na sua máquina.
• Uma página de código legada é sempre reportada como suposição, nunca como certeza. GBK e Big5, ou Windows-1252 e MacRoman, são intercambiáveis em amostras curtas, então a ferramenta lista os candidatos empatados e permite confirmar pela prévia com um clique.
• Algumas sequências de bytes GBK e Big5 também são UTF-8 válido (C2 80 é o caractere 聙 em GB18030 e um caractere de controle em UTF-8). Esses casos são rebaixados a suposição e os candidatos são listados, em vez de aceitos silenciosamente.
• O conjunto de candidatos é o que o TextDecoder do navegador suporta. CP437, TIS-620 e hp-roman8 não estão incluídos, e UTF-32 não pode ser decodificado — uma marca de ordem de bytes UTF-32 é reportada e então recusada.
• Texto colado não carrega bytes. Ele pode ser corrigido se os caracteres corrompidos sobreviveram, mas um texto que já contém ? ou o caractere de substituição perdeu informação definitivamente e nunca é “consertado” silenciosamente.
• A prévia renderiza as primeiras 200 linhas e trunca células longas; o download contém a tabela inteira com todos os valores. Nada é cortado, reinterpretado ou deduplicado — zeros à esquerda, datas que parecem números e vírgulas entre aspas permanecem exatamente como estavam.
• Arquivos acima de 5 MB e textos acima de 200.000 pontos de código são recusados com uma mensagem, em vez de truncados. .xls e .xlsx são contêineres binários e não são lidos.
• Tudo roda nesta aba: sem upload, nada gravado na barra de endereço, nada armazenado. Para conferir, desligue a rede depois que a página carregar — a ferramenta continua funcionando.