Ékezethiba-javító – rossz karakterkódolás visszaállítása

A számítógép a betűket számokként (bájtokként) tárolja, és a karakterkódolás mondja meg, melyik szám melyik betű. A mai szabvány az UTF-8, amelyben az ékezetes betűk két bájtot foglalnak: az „á” például a C3 és az A1 bájt. Ha egy program ezt a szöveget a régi, egybájtos Windows-1252 (nyugat-európai) vagy Latin-1 kódolással olvassa, a két bájtot két külön betűnek látja: C3 = „Ô, A1 = „¡”. Így lesz az „á”-ból „á”, az „é”-ből „é”, az „ő”-ből „Å‘”.

Ha a hibás szöveget a közép-európai Windows-1250 kódolás szerint olvassák, más a kép: „Ă©” (é), „á” (á), „Ĺ‘” (ő). Ha a már elrontott szöveget újra UTF-8-ként mentik, dupla kódolás jön létre („á”). A javító mindhárom esetet felismeri, és akár két-három lépésben visszafejti.

Egy másik, tipikusan magyar hiba fordított irányú: a régi, Latin-2 (ISO-8859-2 vagy Windows-1250) kódolású szöveget nyugat-európai kódolással jelenítik meg. Ilyenkor az á, é, í, ó, ö, ú, ü jól látszik (mert ezek mindkét kódlapon ugyanott vannak), de az ő helyett õ, az ű helyett û jelenik meg (nagybetűvel Õ és Û). Ez régi weboldalakon, e-mailekben és feliratfájlokban (SRT) gyakori.

A javító ezt is kicseréli, ha a szövegben más magyar ékezetes betű is van (így egy portugál „õ”-t nem írunk át véletlenül). Ha nem szeretnéd, kapcsold ki az „õ → ő és û → ű csere” jelölőt.

A leggyakoribb eset: egy webes rendszerből (webshop, kérdőív, banki letöltés) UTF-8 kódolású CSV-t töltesz le, és duplán kattintva megnyitod Excelben. Az Excel magyar Windowson a CSV-t alapból Windows-1250 kódolásúnak feltételezi, ezért minden ékezetes betű elromlik („Ă©”). Fordítva is előfordul: egy régi program Windows-1250-es fájlt ad, amit egy UTF-8-at váró program nyit meg, és „�” jeleket mutat.

Megoldások:

1. Ezzel az eszközzel: nyisd meg a fájlt, és töltsd le „UTF-8 (BOM-mal)” formában. A fájl elején lévő BOM jelzi az Excelnek, hogy UTF-8-ról van szó, így dupla kattintásra is jó ékezetekkel nyílik meg.
2. Excelben: Adatok → Szövegből/CSV-ből → Fájl eredete: „65001: Unicode (UTF-8)”.
3. Mentéskor: Excelben a „CSV UTF-8 (vesszővel tagolt)” formátumot válaszd a sima „CSV” helyett.

A fájl feltöltésekor a javító automatikusan felismeri a kódolást: ha a fájl érvényes UTF-8, annak olvassa, különben Windows-1250-nek (a régi magyar Windows és Excel kódolásának).

Ha a szövegben „�” (csereképező karakter, fekete rombuszban kérdőjel) vagy sima „?” szerepel az ékezetes betűk helyén, az információ már a mentés vagy az átalakítás pillanatában elveszett: a program a felismerhetetlen bájtot lecserélte. Ilyenkor a szövegből nem lehet kitalálni, melyik betű volt ott (á, é vagy ő?). Ilyenkor az eredeti forrásfájlt kell újra megnyitni a „Fájl megnyitása” gombbal, mert a fájl bájtjaiból a helyes kódolással még visszaolvasható.

Az eszköz semmit nem tölt fel: a szöveg és a fájl csak a böngésződben kerül feldolgozásra.

• Mindig UTF-8-at használj: szerkesztőben (Jegyzettömb, VS Code, Notepad++) mentéskor válaszd az UTF-8 kódolást, adatbázisban az utf8mb4 (MySQL) vagy UTF8 (PostgreSQL) kódolást.
• Weboldalon a <meta charset="utf-8"> legyen a <head> elején, és a szerver is UTF-8 kódolást küldjön a fejlécben.
• Excel-exportnál a „CSV UTF-8” formátumot válaszd.
• E-mailben és régi rendszerekben (bérszámfejtő, könyvelőprogram) kérdezd meg, milyen kódolást várnak; sok régi magyar program még Windows-1250-et használ.