Convertidor de codificación de caracteres (UTF-8 / GBK, detección de codificación y reparación de texto chino ilegible)

¿Cómo funciona el convertidor de codificación de caracteres? Consulta bytes, identifica codificaciones y repara texto ilegible

Un convertidor de codificación de caracteres convierte texto entre diferentes codificaciones y muestra al mismo tiempo los bytes UTF-8 y los puntos de código Unicode.

Selecciona la codificación de origen y destino para realizar la conversión. Si no conoces la codificación original, ejecuta primero la detección. Todo el procesamiento se realiza localmente en el navegador.

Tres causas habituales del texto chino ilegible

La primera es leer bytes UTF-8 como GBK, lo que suele producir combinaciones como “浣犲ソ”. La segunda es leer bytes GBK como una codificación de un solo byte, produciendo combinaciones de letras latinas y símbolos. La tercera es que exista un BOM al principio de una secuencia de bytes y el receptor no interprete la codificación indicada. El diagnóstico es sencillo: identifica el aspecto del texto ilegible y utiliza la conversión inversa correspondiente.

Diferencias esenciales entre UTF-8, GBK, UTF-16 y UTF-32

UTF-8 es una codificación de longitud variable que utiliza de 1 a 4 bytes por carácter. El inglés utiliza 1 byte y los caracteres chinos habituales utilizan 3 bytes, por lo que UTF-8 es el estándar de facto para páginas web y API. GBK y GB2312 son codificaciones chinas de doble byte habituales en entornos chinos y sistemas antiguos. UTF-16 y UTF-32 utilizan representaciones más amplias; UTF-16 es común internamente en Windows y en algunos formatos de archivo, mientras que UTF-32 facilita los cálculos de puntos de código a costa de un mayor tamaño. Como distintas codificaciones producen secuencias de bytes diferentes para el mismo texto, los bytes no tienen una interpretación textual única sin información de codificación.

¿Por qué la detección de codificación solo puede ofrecer candidatos y confianza?

Una secuencia de bytes normalmente no contiene una declaración de codificación. La detección depende de reglas y pruebas de decodificación: primero se comprueba si existe un BOM, después si todos los bytes pertenecen a ASCII, se valida una decodificación UTF-8 estricta y finalmente se comprueba si la decodificación GBK produce texto chino razonable. Este método cubre muchos casos comunes, pero los textos cortos y los textos compuestos solo por símbolos pueden coincidir legítimamente con varias codificaciones. Por eso la herramienta proporciona candidatos, confianza y criterios de decisión, no una conclusión absoluta.

¿Por qué UTF-8 y GBK no se pueden convertir arbitrariamente?

UTF-8 representa muchos más caracteres que GBK. GBK cubre caracteres chinos y una parte de los símbolos, por lo que caracteres no representados por GBK, como Emoji habituales y algunos caracteres poco frecuentes, no pueden codificarse como bytes GBK. En estos casos, la herramienta informa del carácter no compatible en lugar de descartarlo silenciosamente. La conversión de GBK a UTF-8 generalmente no presenta esta limitación porque UTF-8 tiene una cobertura de caracteres más amplia.

¿Para qué sirven las secuencias de bytes y los puntos de código Unicode?

Una secuencia de bytes es la representación real almacenada en archivos y transmitida por redes. Es fundamental para diagnosticar texto ilegible, comprobar API o comparar campos de bases de datos. Un punto de código Unicode, como U+4F60, identifica un carácter y no depende del método de codificación. Por ello resulta útil para determinar si dos caracteres son realmente iguales. La herramienta muestra ambas perspectivas para poder contrastarlas.

¿Qué puede hacer esta herramienta y qué no puede hacer?

Admite conversiones entre UTF-8, GBK, GB2312, UTF-16LE/BE y UTF-32LE/BE, consulta de bytes y puntos de código, detección de codificación y reparación con un clic de dos tipos habituales de texto ilegible. No adivina una codificación sin pruebas suficientes, no traduce ni corrige texto y no procesa archivos binarios ni imágenes. UTF-8 y UTF-16 utilizan decodificación nativa del navegador, mientras que GBK y GB2312 utilizan decodificadores compatibles del navegador. La salida de bytes de UTF-8 a GBK utiliza una tabla de caracteres local y no descarga ninguna biblioteca de terceros. Toda la conversión se realiza localmente en el navegador y el contenido introducido no se sube al servidor.