メインコンテンツへスキップ
すべての記事
TXT ファイル

TXT ファイル形式

ASCII、GBK から UTF-8 まで、プレーンテキストはどのように文字を保存しているのか。本記事では文字コードと改行の仕組みを解説し、ブラウザだけで使える判定・変換ツールも紹介します。

YueZhu 編集部約8分

TXT ファイル(Text File)は、もっとも基本的でもっとも汎用的なプレーンテキスト形式です。人間が読める文字だけを含み、複雑な組版、フォントスタイル、色、埋め込み画像などのマルチメディア要素は一切含みません。構造が極めて単純なため、サイズが小さく、互換性が非常に高く、開くのも速いという特徴があり、ほぼあらゆる OS と端末で簡単に作成・読み取りができます。データ交換やテキスト記録に理想的な選択です。

TXT ファイルの文字コード

どんな TXT ファイルも必ず何らかの文字コードに依存しています。文字コードは、ファイル内のバイトデータをコンピューターが人間に読める文字へどう変換するかを決めます。

一般的な TXT ファイルの文字コードには、主に ASCII、GBK/GB2312、Unicode、UTF-8、UTF-16 などがあります。

一般的な TXT ファイルの文字コード

TXT ファイルはどれも何らかの文字コードに依存しています。以下は最も一般的なものをいくつか挙げたもので、表現できる文字の範囲やバイトの並べ方がそれぞれ異なります。

ASCII

ASCII は最も基本的な文字コードで、7 ビットの二進数で 128 文字(英字、数字、記号、制御文字)だけを表すため、純粋な英語の内容しか扱えません。TXT ファイルに中国語や日本語など他の言語の内容が含まれているなら、その TXT ファイルが ASCII であることは絶対にありません。

GB2312 / GBK

GB2312/GBK は中国の国家標準文字コードです。GB2312 は 6763 の漢字を収録し、GBK はその拡張で 21886 の漢字を収録しており、GB2312 と互換性があります。中国語とごく一部の他言語しか扱えませんが、現在もかなりの数の TXT ファイルが GB2312/GBK で保存されています。

Unicode

Unicode は Unicode Consortium(統一碼聯盟)が策定した文字コードの国際規格で、統一字・万国碼とも呼ばれます。Unicode は各文字に固有のコードポイントを割り当て、どの言語やプラットフォームでもこの番号は変わらないため、言語ごとの文字コードの互換性問題を根本から解決し、言語やプラットフォームをまたいだテキスト処理を可能にします。ただし Unicode 自体は文字集合にすぎず、各文字の番号を定めるだけで、UTF-8 や UTF-16 などが具体的な符号化方式にあたります。

UTF-8

UTF-8 は Unicode で最も普及している実装方式です。ASCII と完全な互換性があり、現在インターネット上で最も一般的な文字コードで、ほとんどの TXT ファイルは UTF-8 形式です。

UTF-16

UTF-16 はもうひとつの一般的な実装方式で、Windows の内部や Java 言語で広く使われています。ファイルの先頭には通常 BOM(バイト順マーク)が付き、バイト順を示します。

TXT ファイルが実際にどの形式なのかを見分けるのはなかなか難しいものです

TXT ファイル自体は「どの文字コードを使ったか」というメタデータを保存していませんが、その内容は必ず何らかの文字コード規則に従って生成されており、そうでなければ正しく書き込み・読み取りができません。また、開くときのソフトのデコード方式と保存時の文字コードが一致していなければ文字化けします。たとえば UTF-8 で保存したファイルを、既定が GBK のメモ帳で開くと異常な表示になります。

現在、TXT ファイルがどの文字コードなのかを絶対的に正しく判別する方法は存在しない。ファイルの文字コードを「推測」する方法はいくつかあるが、どの方法も推測結果が絶対に正確だとは保証できない点に注意が必要だ。例えば、統計学の原理を使って対象テキストを統計処理し、最も可能性の高い文字コードを割り出すことはできるが、100% 正確とは保証できない。例えば、あるテキストファイルに簡単な英字しか入っておらず、それを UTF-8 で保存した場合、そのファイルが ASCII なのか UTF-8 なのかは判別できない。UTF-8 は ASCII と互換だからだ。

TXT 文字コード判定ツール

ここにTXTファイルをドラッグすると、そのTXTファイルの文字コードを判定できます

文字コードを推定未検出
判定の根拠未検出

ファイルは現在のブラウザ内だけで処理され、サーバーにはアップロードされません。判定結果はヒューリスティックによるもので、重要なファイルは必ずバックアップを取っておいてください。

現在では UTF-8 などの Unicode エンコーディングが主流になりつつある

ASCII や GBK は古い文字コード規格で、いま歴史の表舞台から退きつつあります。ASCII は基本 128 文字しか含まず全く足りませんし、GBK は ASCII を拡張する際に主に漢字の符号を追加しただけで、Emoji などの現代的な記号には対応していません。たとえば空白ひとつをとっても、Unicode は通常のスペース、ノーブレークスペース、全角スペースなどを用途に応じて使い分けられますが、ASCII/GBK が持つのは最も基本的な空白 1 種類だけです。

空白にも種類がある。Unicode には通常のスペース、ノーブレークスペース、全角スペースなどがあり、それぞれ組版上の要件が異なる。Web ページから内容をコピーすると、こうした目に見えない変種を一緒に TXT へ持ち込んでしまいがちだ。上のツールでよくある種類を統一できる。

スペースと改行については、ASCII、GBK、UTF-8 の3つの文字コードでの表現はまったく同じです

GBK と UTF-8 は設計時に同じ重要な原則に従っています —— すなわち ASCII との完全な互換性です。つまり ASCII で定義されたすべての文字(スペース、復帰、改行などの制御文字を含む)は、GBK でも UTF-8 でも符号値が変わりません。

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

ただし OS によって改行の表し方は異なります。Windows の改行は CR+LF(復帰+改行)、Linux/macOS の改行は LF(改行のみ)です。この違いにより、Windows で作成した TXT ファイルを Linux で開くと、各行の末尾に見えない復帰文字(0x0D)が余分に付き、一部のプログラムで解析エラーになることがあります。ただし Windows のほとんどのソフトは LF のみでも認識でき、古い Windows プログラムやコマンドラインツールでは表示が乱れることがあります。

TXT 改行処理ツール

ここにTXTファイルをドラッグすると、改行コードの種類を判定し、指定した改行形式に整形できます

主な改行未検出
行数未検出

整形してダウンロード

出力ファイルには BOM が付かず、元のファイルは変更されません。