Codificación de texto y caracteres de fin de línea

Juegos de caracteres

Los archivos de texto utilizan juegos de caracteres: puntuación, números, letras mayúsculas y minúsculas y demás caracteres imprimibles, cada uno identificado por un número.

La mayoría de los juegos de caracteres utilizados son superconjuntos del juego ASCII de EE. UU., cuyos 95 caracteres imprimibles tienen valores numéricos de 32 a 126. Los principales grupos de juegos de caracteres son:

Juego de caracteres de Windows (codificación de un byte): Las páginas de códigos antiguas de un byte de Windows, a menudo llamadas páginas de códigos ANSI, utilizan 8 bits por carácter y pueden asignar como máximo 256 (2^8) valores. Cada página de códigos proporciona caracteres para determinados idiomas; ninguna cubre todos los idiomas. Las versiones modernas de Windows también admiten codificaciones Unicode.
Juego de caracteres multibyte: Muchos sistemas de escritura de Asia Oriental necesitan más caracteres de los que puede representar una codificación de un byte. Las páginas de códigos antiguas de doble byte utilizan uno o dos bytes por carácter. Otras codificaciones multibyte siguen reglas diferentes; por ejemplo, UTF-8 utiliza de uno a cuatro bytes por valor escalar Unicode. Es necesario conocer la codificación para interpretar correctamente los bytes.
Juego de caracteres Unicode: Unicode asigna puntos de código a caracteres de distintos sistemas de escritura, signos de puntuación, símbolos y otros elementos de texto. UTF-8, UTF-16 y UTF-32 codifican el texto Unicode con unidades de código de distintos tamaños. UTF-16 usa una unidad de 16 bits para un carácter del plano multilingüe básico o un par de unidades de 16 bits para un carácter suplementario. Unicode no se limita a 65 536 caracteres, y es necesario elegir la codificación correcta al leer o escribir un archivo de texto.
Juego de caracteres OEM: El juego de caracteres OEM suele usarse para la visualización en sesiones de MS-DOS a pantalla completa. Los caracteres imprimibles de 32 a 126 suelen ser iguales en los juegos OEM, ASCII de EE. UU. y Windows. Los demás caracteres del juego OEM (de 0 a 31 y de 128 a 255) corresponden a los que pueden mostrarse en una sesión de MS-DOS a pantalla completa. Por lo general, difieren de los caracteres de Windows.
Juego de caracteres Symbol: Symbol contiene caracteres especiales habituales en fórmulas matemáticas y científicas.

Caracteres de fin de línea

Los archivos de texto utilizan distintos finales de línea. MS-DOS, Windows y OS/2 usan tradicionalmente CR/LF; UNIX y las versiones modernas de macOS usan LF. Mac OS clásico usaba CR.

Símbolo	Significado	Utilizado	Carácter	Hex
CR	Retorno de carro	Mac OS clásico	\r	0x0d
LF	Salto de línea	UNIX, macOS moderno	\n	0x0a
CR/LF	Retorno de carro/Salto de línea	MS-DOS, Windows, OS/2	\r\n	0x0d, 0x0a
NULL	Carácter nulo		\0	0x00

Véase también

Convertir el contenido de archivos