Correcteur de mojibake : réparer le texte corrompu
Texte corrompu
Texte corrigé
Conversion manuelle
Les jeux de caractères à un octet et UTF-8 peuvent être utilisés des deux côtés. Shift_JIS, GB18030 et Big5 servent uniquement au décodage.
Détails techniques
Comment fonctionne le correcteur de mojibake
Ce que fait le correcteur de mojibake
Le mojibake est un texte écrit dans un encodage de caractères et lu dans un autre, de sorte que « é » devient « é » et une apostrophe typographique « ’ ». L’outil inverse l’erreur : il réencode votre texte avec le jeu de caractères dans lequel il a été lu à tort afin de retrouver les octets d’origine, puis décode ces octets avec le jeu de caractères réel. Il essaie toutes les combinaisons d’UTF-8, Windows-1252, ISO-8859-1, Windows-1251, KOI8-R, ISO-8859-2, Shift_JIS, GB18030 et Big5, note chaque résultat et affiche la meilleure correction avec une liste classée d’alternatives.
Cas d’usage courants
Les développeurs l’utilisent pour réparer des exports de base de données, des fichiers CSV, des objets d’e-mail, des lignes de log et des réponses d’API où les accents sont devenus des séquences Ã, pour nettoyer du texte copié depuis une page servie avec un mauvais en-tête de jeu de caractères, et pour diagnostiquer quelle couche d’un pipeline a décodé de l’UTF-8 comme du Latin-1. Il restaure aussi le texte russe affiché sous la forme Привет et aide à vérifier qu’une correction dans le code produit bien les caractères voulus.
Encodages et motifs pris en charge
Le cas le plus courant est l’UTF-8 lu comme du Windows-1252 ou du Latin-1 : é, ü, ’, “ et des emoji comme 😀. L’UTF-8 lu comme du Windows-1251 produit des paires cyrilliques comme Р et С suivies de symboles. Le texte doublement encodé, où les dégâts ont eu lieu deux fois, est réparé en répétant l’étape UTF-8 jusqu’à trois fois. Les sélecteurs manuels Encoder en et Décoder en couvrent les jeux de caractères à un octet dans les deux sens ; Shift_JIS, GB18030 et Big5 ne peuvent servir qu’au décodage.
Pièges et limites
La réparation ne fonctionne que si aucun octet n’a été perdu. Les points d’interrogation et les caractères de remplacement U+FFFD dans le texte corrompu ne peuvent pas être récupérés, et un texte converti avec perte à un moment donné reste endommagé. Le choix automatique est une heuristique fondée sur les lettres, les mots courants et les séquences typiques de mojibake, donc les chaînes très courtes peuvent être ambiguës : consultez le tableau des alternatives ou utilisez les sélecteurs manuels. Le texte correct reste inchangé, et l’entrée est limitée à 1 000 000 de caractères.