Převod souboru ANSI do ASCII

Co znamená ANSI

ANSI je obvykle nepřesný název pro kódování znaků systému Windows, nikoli pro jediný formát souboru. Mezi běžné code pages patří Windows-1252 pro západoevropský text, Windows-1251 pro cyrilici a Windows-1250 pro středoevropský text. Starší Windows editory, DOS utility, účetní systémy a exportní programy běžně vytvářejí soubory označované jako ANSI.

Přesné zdrojové kódování nelze spolehlivě určit pouze z názvu souboru nebo samotných bajtů. Code page určete podle programu, který soubor vytvořil, jeho dokumentace nebo jazyka a znaků v obsahu. „ANSI“ může také označovat escape sekvence terminálu používané pro barevný nebo umístěný text; změna kódování znaků tyto sekvence neodstraní ani neinterpretuje.

Co poskytuje ASCII

ASCII definuje 128 hodnot včetně latinských písmen, desetinných číslic, interpunkce, prázdných znaků a řídicích znaků. Soubor ve striktním ASCII obsahuje pouze bajty od 0x00 do 0x7F, obvykle bez značky pořadí bajtů. To podporuje starší hardware, nástroje příkazového řádku, systémy pro import dat a zařízení, která odmítají bajty s hodnotou vyšší než 127.

ASCII nedokáže reprezentovat znaky s diakritikou, zakřivené uvozovky, pomlčky em dash, většinu nelatinských abeced, emoji ani jiné znaky Unicode. Převod proto musí znak transliterovat, například é na e, nebo jej nahradit, obvykle znakem ?. Výsledkem může být ztráta informací a původní obsah nelze spolehlivě rekonstruovat. ASCII nemusí být nutně menší než původní soubor s code page: obě varianty běžně používají jeden bajt na znak.

Převod pomocí iconv

1. Určete skutečnou zdrojovou code page. CP1252 použijte pouze tehdy, pokud soubor skutečně používá Windows-1252; každý soubor označený jako ANSI nepovažujte automaticky za CP1252.
2. V systému macOS nebo Linux spusťte:
   iconv -f CP1252 -t ASCII//TRANSLIT input.txt -o output.txt
3. Otevřete output.txt v editoru pracujícím s bajty a vyhledejte otazníky nebo chybějící znaky. Zkontrolujte konce řádků, pokud přijímající systém vyžaduje CRLF nebo LF.

CP1252 nahraďte správným názvem zdrojového kódování, například CP1251. //TRANSLIT požádá nainstalovanou implementaci iconv, aby přibližně převedla nepodporované znaky; výsledky se liší podle platformy. Bez transliterace použijte -t ASCII; nepodporované znaky obvykle způsobí chybu namísto vytvoření platného kompletního výstupu. Původní soubor si ponechte, dokud nebude výstup ověřen.

Převod pomocí desktopového softwaru

Editory jako EmEditor, UltraEdit a BBEdit mohou otevřít soubor s použitím zadané Windows code page a uložit jej jako US-ASCII nebo ASCII. Otevřete soubor přes File → Open, vyberte známé zdrojové kódování, poté použijte File → Save As a zvolte explicitní kódování ASCII. Výběr možnosti „ANSI“ při exportu nestačí: obvykle zapíše aktivní Windows code page a může zachovat bajty s hodnotou vyšší než 127.

Notepad++ může soubor zkontrolovat nebo znovu otevřít s vybraným kódováním, ale jeho příkaz Encoding → Convert to ANSI znamená aktivní Windows code page, nikoli striktní ASCII. Použijte explicitní možnost ASCII, pokud ji nainstalovaná verze nabízí, nebo pomocí Notepad++ opravte interpretaci zdrojového kódování a poté proveďte převod pomocí iconv nebo jiného editoru, který explicitně podporuje US-ASCII.

Použití online převodníku

U malého a ne důvěrného textového souboru může renomovaný převodník kódování v prohlížeči, například Browserling’s text encoding converter, převést vybranou Windows code page na ASCII. Zvolte skutečnou zdrojovou code page, jako cílové kódování vyberte ASCII nebo US-ASCII, proveďte převod a stáhněte výsledek.

Nenahrávejte hesla, osobní údaje, proprietární kód ani regulované záznamy. Lokální převod zabrání přenosu souboru a poskytuje lepší kontrolu nad chybami a uchovávanými kopiemi.

Kontrola kompatibility a ztráty dat

Dekódování pomocí nesprávného zdrojového kódování poškodí znaky ještě před zahájením převodu do ASCII. Windows-1252 a ISO-8859-1 jsou si podobná, ale nejsou totožná: bajty používané pro chytré uvozovky, znak eura a další znaky systému Windows mohou být nesprávně interpretovány, pokud jsou považovány za ISO-8859-1.

Zkontrolujte každý znak mimo ASCII ve zdroji, zejména jména, adresy, měrné hodnoty, uvozovky a symboly měn. Ověřte, že výstup neobsahuje žádné bajty s hodnotou vyšší než 0x7F; v systémech podobných Unixu může příkaz LC_ALL=C grep -n '[^ -~]' output.txt pomoci najít bajty mimo ASCII, zároveň však označí také tabulátory a další řídicí znaky. Zkontrolujte, zda cílový systém vyžaduje konkrétní konce řádků a zda odmítá escape sekvence terminálu ANSI.

Pokud přijímající systém podporuje UTF-8, použijte místo ASCII UTF-8. UTF-8 zachovává původní znaky a je široce podporováno, zatímco striktní převod do ASCII je vhodný pouze tehdy, když cílový systém výslovně vyžaduje 7bitová data.