Ir para o conteúdo principal
Todos os artigos
Arquivo TXT

Formato de arquivo TXT

De ASCII e GBK ao UTF-8: como o texto puro armazena caracteres? Este artigo explica os mecanismos por trás da codificação e das quebras de linha e traz uma ferramenta de detecção e conversão que funciona direto no navegador.

Equipe editorial do YueZhucerca de 8 minutos

O arquivo TXT, cujo nome completo é Text File, é o formato de arquivo de texto puro mais básico e mais universal. Ele contém apenas caracteres de texto legíveis por humanos, sem qualquer composição complexa, estilo de fonte, cor ou elementos multimídia como imagens embutidas. Por ter uma estrutura extremamente simples, o arquivo TXT é pequeno, tem compatibilidade altíssima e abre rápido, podendo ser criado e lido facilmente em praticamente qualquer sistema operacional e dispositivo — é a escolha ideal para troca de dados e registro de texto.

Formato de codificação de arquivo TXT

Qualquer arquivo TXT depende necessariamente de alguma regra de codificação: é o formato de codificação que determina como o computador converte os bytes do arquivo em caracteres legíveis por humanos.

As codificações mais comuns de arquivos TXT incluem ASCII, GBK/GB2312, Unicode, UTF-8 e UTF-16, entre outras.

Codificações comuns de arquivos TXT

Todo arquivo TXT depende de uma codificação. Veja a seguir as mais comuns: elas diferem na quantidade de caracteres que conseguem representar e na forma como os bytes são organizados.

ASCII

O ASCII é o formato de codificação mais básico: usa apenas 7 bits para representar 128 caracteres, incluindo letras do alfabeto inglês, números, sinais de pontuação e caracteres de controle, portanto só consegue representar conteúdo em inglês. Se um arquivo TXT tiver chinês, japonês ou outro idioma, ele definitivamente não está em ASCII.

GB2312 / GBK

GB2312/GBK são codificações do padrão nacional chinês: o GB2312 contém 6.763 ideogramas chineses, e o GBK é uma extensão do GB2312, com 21.886 ideogramas e compatibilidade com o padrão anterior. Eles suportam apenas o chinês e mais alguns poucos idiomas, e hoje uma boa parte dos arquivos TXT ainda usa a codificação GB2312/GBK.

Unicode

O Unicode é o padrão internacional de codificação de caracteres criado pela Unicode Consortium, também chamado de código universal. O Unicode atribui a cada caractere um ponto de código único que permanece o mesmo em qualquer idioma ou plataforma, resolvendo de vez os problemas de compatibilidade entre codificações e permitindo o processamento de texto entre idiomas e plataformas. O Unicode em si é apenas um conjunto de caracteres, que define o número de cada caractere; UTF-8, UTF-16 e outros são as implementações concretas de codificação.

UTF-8

UTF-8 é a implementação mais popular do Unicode. Totalmente compatível com ASCII, é hoje a codificação mais universal da internet — a maioria dos arquivos TXT está em UTF-8.

UTF-16

UTF-16 é outra implementação comum, muito usada internamente no Windows e na linguagem Java; o arquivo costuma começar com um BOM (Byte Order Mark) para indicar a ordem dos bytes.

É difícil distinguir qual é, de fato, o formato de um arquivo TXT

O próprio arquivo TXT não guarda uma etiqueta de metadados dizendo "qual codificação usei", mas seu conteúdo foi necessariamente gerado segundo alguma regra de codificação, senão não poderia ser gravado e lido corretamente. Além disso, a codificação usada pelo software ao abrir precisa ser a mesma usada ao salvar o arquivo, caso contrário aparecem caracteres ilegíveis. Por exemplo, um arquivo salvo em UTF-8 exibido no Bloco de Notas com GBK padrão aparece com erro.

Hoje não existe um método absolutamente correto para identificar qual é a codificação de um arquivo TXT. Há várias formas de "deduzir" a codificação de um arquivo, mas é importante notar que nenhum método garante que o resultado seja absolutamente preciso. Por exemplo, pode-se usar princípios estatísticos para analisar o texto e determinar a codificação mais provável, mas sem garantia de 100% de acerto. Se um arquivo de texto meu tiver apenas caracteres ingleses simples e eu o salvar em UTF-8, não será possível dizer se ele está em ASCII ou em UTF-8, porque o UTF-8 é compatível com ASCII.

Ferramenta de detecção de codificação TXT

Arraste um arquivo TXT até aqui para descobrir em qual codificação ele está.

Inferir codificaçãoNão detectado
Critério de decisãoNão detectado

Os arquivos são processados somente neste navegador e não são enviados a nenhum servidor. O resultado da detecção é heurístico; mantenha sempre um backup dos arquivos importantes.

Hoje, codificações Unicode como UTF-8 vêm se tornando o padrão

O ASCII e o GBK, por serem padrões de codificação mais antigos, estão aos poucos saindo de cena. O ASCII contém apenas 128 caracteres básicos, o que é totalmente insuficiente, e o GBK, ao estender o ASCII, acrescentou principalmente a codificação de ideogramas chineses, sem suporte a símbolos modernos como emoji. No caso do espaço, por exemplo, o Unicode oferece espaço comum, espaço não separável e espaço de largura total para atender a diferentes exigências de composição, enquanto ASCII/GBK têm apenas um tipo de espaço básico.

Espaço também não é só um tipo. No Unicode existem espaço comum, espaço não separável, espaço de largura total e outros, cada um atendendo a exigências tipográficas diferentes; ao copiar conteúdo de páginas web, é fácil levar para o TXT essas variantes invisíveis, e a ferramenta acima consegue unificar as mais comuns.

No caso de espaços e retornos de carro, a representação é exatamente igual nas três codificações ASCII, GBK e UTF-8

Tanto o GBK quanto o UTF-8 seguem um princípio importante em seu projeto — compatibilidade total com ASCII. Isso significa que todos os caracteres definidos no ASCII (incluindo espaço, retorno de carro, quebra de linha e outros caracteres de controle) mantêm o mesmo valor de codificação em GBK e em UTF-8.

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

Mas os sistemas operacionais representam a quebra de linha de formas diferentes: no Windows ela é retorno de carro + quebra de linha (CR+LF), enquanto no Linux/macOS é apenas a quebra de linha (LF). Essa diferença faz com que um arquivo TXT criado no Windows, ao ser aberto no Linux, possa apresentar um retorno de carro invisível (0x0D) no fim de cada linha, o que provoca erros de interpretação em alguns programas. Ainda assim, a maioria dos softwares no Windows reconhece apenas a quebra de linha LF; em programas antigos de Windows ou ferramentas de linha de comando, podem ocorrer anomalias de exibição.

Ferramenta de tratamento de quebras de linha em TXT

Arraste um arquivo TXT até aqui para descobrir que tipo de quebra de linha ele usa e padronizar o arquivo no formato escolhido.

Quebra de linha principalNão detectado
Número de linhasNão detectado

Formatar e baixar

O arquivo de saída não inclui BOM e o arquivo original não é alterado.