Aller au contenu principal
Tous les articles
Fichier TXT

Format de fichier TXT

De l'ASCII au GBK en passant par l'UTF-8, comment le texte brut stocke-t-il les caractères ? Cet article explique les mécanismes qui se cachent derrière l'encodage et les sauts de ligne, avec en bonus un outil de détection et de conversion utilisable directement dans le navigateur.

Rédaction YueZhuEnviron 8 minutes

Un fichier TXT, de l'anglais Text File, est le format de fichier texte brut le plus élémentaire et le plus universel. Il ne contient que des caractères lisibles par l'humain, sans mise en page complexe, style de police, couleur ni image intégrée. Cette structure extrêmement simple lui confère un faible volume, une compatibilité quasi universelle et une ouverture rapide : il peut être créé et lu sans effort sur presque tout système d'exploitation et tout appareil, ce qui en fait un choix idéal pour l'échange de données et la consignation de textes.

Format d'encodage des fichiers TXT

Tout fichier TXT dépend nécessairement d'une règle d'encodage : le format d'encodage détermine la façon dont l'ordinateur convertit les octets du fichier en caractères lisibles par l'être humain.

Les encodages les plus courants des fichiers TXT sont notamment ASCII, GBK/GB2312, Unicode, UTF-8, UTF-16, etc.

Les encodages courants des fichiers TXT

Chaque fichier TXT repose sur un encoding. Voici les plus courants ; ils diffèrent par le nombre de caractères qu'ils peuvent représenter et par l'organisation des octets.

ASCII

L'ASCII est le codage le plus élémentaire : 7 bits pour représenter 128 caractères — lettres latines, chiffres, ponctuation et caractères de contrôle — donc uniquement du contenu en anglais. Si un fichier TXT contient du chinois, du japonais ou une autre langue, il n'est certainement pas encodé en ASCII.

GB2312 / GBK

GB2312/GBK sont des normes nationales chinoises : GB2312 recense 6 763 caractères chinois et GBK, son extension, 21 886, tout en restant compatible avec GB2312. Elles ne prennent en charge que le chinois et quelques autres langues, or une bonne partie des fichiers TXT utilise encore l'encodage GB2312/GBK.

Unicode

Unicode est la norme internationale d'encodage de caractères établie par le consortium Unicode, également appelée « code universel ». Unicode attribue à chaque caractère un point de code unique : quelle que soit la langue ou la plateforme, ce numéro reste identique, ce qui règle définitivement les problèmes de compatibilité entre encodages et permet le traitement de texte multilingue et multiplateforme. Unicode n'est toutefois qu'un jeu de caractères, qui définit le numéro de chaque caractère ; UTF-8, UTF-16 et les autres sont des implémentations d'encodage concrètes.

UTF-8

UTF-8 est l'implémentation la plus répandue d'Unicode. Parfaitement compatible avec l'ASCII, c'est aujourd'hui l'encodage le plus universel du web : la plupart des fichiers TXT sont en UTF-8.

UTF-16

UTF-16 est une autre implémentation courante : elle est largement utilisée en interne par Windows et par le langage Java, et le fichier commence généralement par un BOM (marque d'ordre des octets) qui indique l'ordre des octets.

Il est difficile de déterminer avec certitude de quel encodage il s'agit dans un fichier TXT

Un fichier TXT ne stocke pas de métadonnée indiquant « quel encodage j'utilise », mais son contenu a nécessairement été produit selon une règle d'encodage donnée, sans quoi il ne pourrait être ni écrit ni lu correctement ; et l'encodage de décodage utilisé par le logiciel à l'ouverture doit correspondre à celui employé lors de l'enregistrement, faute de quoi le texte devient illisible. Par exemple, un fichier enregistré en UTF-8 s'affichera anormalement dans un Bloc-notes configuré par défaut en GBK.

Il n'existe aujourd'hui aucune méthode absolument fiable pour déterminer l'encodage exact d'un fichier TXT. Plusieurs approches permettent de le « deviner », mais toutes doivent être maniées avec prudence : aucun résultat n'est garanti exact. On peut par exemple appliquer des principes statistiques au texte cible pour déterminer l'encodage le plus probable, sans certitude à cent pour cent. Ainsi, si mon fichier texte ne contient que de simples caractères anglais mais que je l'ai enregistré en UTF-8, il est impossible de dire s'il s'agit d'ASCII ou d'UTF-8, car UTF-8 est compatible avec ASCII.

Outil de détection de l'encodage TXT

Déposez un fichier TXT ici pour détecter son encodage

Deviner l'encodingNon détecté
Critère d'évaluationNon détecté

Les fichiers sont traités uniquement dans votre navigateur et ne sont jamais envoyés à un serveur. La détection repose sur une estimation heuristique : pensez à conserver une sauvegarde de vos fichiers importants.

Aujourd'hui, les encodages Unicode comme UTF-8 deviennent peu à peu la norme

L'ASCII et le GBK, normes de codage plus anciennes, quittent peu à peu la scène. L'ASCII ne compte que 128 caractères de base, très insuffisant, tandis que le GBK, en étendant l'ASCII, a surtout ajouté des caractères chinois et ne gère pas les symboles modernes comme les Emoji. Pour l'espace, par exemple, Unicode propose l'espace normal, l'espace insécable ou l'espace pleine chasse selon les besoins typographiques, alors que l'ASCII/GBK n'en connaît qu'un seul, le plus élémentaire.

L'espace n'est pas unique non plus. Unicode distingue l'espace ordinaire, l'espace insécable, l'espace pleine chasse, etc., chacun répondant à des exigences typographiques différentes. En copiant du contenu depuis une page web, on introduit facilement ces variantes invisibles dans un TXT ; l'outil ci-dessus permet d'unifier les plus courantes.

Pour les espaces et les retours chariot, la représentation est strictement identique dans les trois encodages ASCII, GBK et UTF-8

GBK et UTF-8 obéissent tous deux à un principe essentiel : une compatibilité totale avec l'ASCII. Autrement dit, tous les caractères définis par l'ASCII (espace, retour chariot, saut de ligne et autres caractères de contrôle) conservent la même valeur d'encodage en GBK comme en UTF-8.

  • CRLF — Windows(0x0D + 0x0A)
  • LF — Linux / macOS(0x0A)
  • CR — Classic Mac(0x0D)

En revanche, les systèmes d'exploitation ne représentent pas les sauts de ligne de la même façon : sous Windows, un saut de ligne s'écrit retour chariot + saut de ligne (CR+LF), tandis que sous Linux/macOS il se limite au saut de ligne (LF). Cette différence fait qu'un fichier TXT créé sous Windows, une fois ouvert sous Linux, peut afficher un caractère de retour chariot invisible (0x0D) en fin de chaque ligne, ce qui provoque des erreurs d'analyse dans certains programmes. La plupart des logiciels Windows savent toutefois reconnaître le saut de ligne seul ; seuls certains programmes ou outils en ligne de commande Windows un peu anciens peuvent encore poser des problèmes d'affichage.

Outil de traitement des fins de ligne TXT

Déposez un fichier TXT ici pour identifier son type de fin de ligne et le convertir vers le format de fin de ligne de votre choix

Saut de ligne principalNon détecté
Nombre de lignesNon détecté

Formater et télécharger

Le fichier de sortie ne contient pas de BOM et le fichier d'origine n'est pas modifié.