CodeGym /Cursos /C# SELF /Conversión de codificaciones de archivos

Conversión de codificaciones de archivos

C# SELF
Nivel 37, Lección 4
Disponible

1. Introducción

Empecemos por la pregunta principal: ¿para qué molestarse con las codificaciones? Podría parecer que un archivo, una codificación y todo debería estar bien. Pero en la práctica la cosa es mucho más interesante. Muy rápido descubres que un archivo puede venir de cualquier sitio y en una codificación inesperada. Y tu aplicación, claro, espera otra.

A veces necesitas integrarte con alguna API o sistema que exige una codificación específica y nada más. También pasa que encuentras un archivo viejo de hace diez años y lo abres en un editor nuevo — y salen mojibake. O, por ejemplo, guardas un informe CSV y quieres estar seguro de que todos los colegas lo podrán leer bien — en Windows, en Mac y hasta en Excel.

En resumen, recodificar no es algo raro o exótico. Al contrario, es una tarea muy real y bastante frecuente que aparece en cualquier sitio: exportes de bases de datos, trabajo con archivos comprimidos, integración con contabilidad o scripts automáticos. Y cuanto antes lo entiendas, menos sorpresas tendrás después.

De una codificación antigua a una nueva

Para recodificar un archivo hay que hacer dos pasos:

  1. Leer el archivo con la codificación de origen, obteniendo strings (o caracteres).
  2. Escribir los strings en un archivo nuevo, especificando explícitamente la codificación de destino.

Analogía: imagina que traduces un libro del francés al ruso. Primero tienes que saber leer en francés (leer el texto) y después expresar el mismo sentido en ruso (escribir el texto en ruso).

En C# (y .NET) esto se implementa configurando el objeto Encoding en el constructor de StreamReader (para leer) y StreamWriter (para escribir).

Resumen de codificaciones y la clase Encoding

Todas las transformaciones “mágicas” de caracteres se hacen con la clase System.Text.Encoding.

Una tabla con las codificaciones principales y cómo obtenerlas en C# podría verse así:

Codificación Descripción Constante C#
UTF-8 Universal, sin BOM por defecto
Encoding.UTF8
UTF-8 con BOM Lo mismo, pero con la firma BOM
new UTF8Encoding(true)
UTF-16 (LE/BE) "Wide char", little-endian Encoding.Unicode (LE),
Encoding.BigEndianUnicode (BE)
ASCII La clásica de 7 bits
Encoding.ASCII
Windows-1251 Popular para cirílico
Encoding.GetEncoding(1251)
ISO-8859-1 Letras latinas (europeas)
Encoding.GetEncoding("ISO-8859-1")

Nota: Para codificaciones antiguas tendrás que usar Encoding.GetEncoding, a veces con un número (1251), a veces con una cadena ("windows-1251").

2. Recodificación: estrategia paso a paso en C#

Veamos cómo implementar la recodificación en la práctica.

Algoritmo

  1. Abrir el archivo de origen con StreamReader, especificando explícitamente la codificación inicial.
  2. Leer el texto (o entero, o línea por línea — depende del tamaño del archivo).
  3. Abrir el archivo de salida con StreamWriter, indicando la codificación final deseada.
  4. Escribir el texto en el archivo de salida.
  5. No olvidar cerrar los streams — usa using para seguridad.

Ejemplo: recodificación Windows-1251 → UTF-8

Supongamos que tenemos el archivo "input-1251.txt" en codificación Windows-1251, y queremos obtener "output-utf8.txt" en UTF-8 "puro" (sin BOM).

// Especificamos la fuente con la codificación de origen
using var reader = new StreamReader("input-1251.txt", Encoding.GetEncoding(1251));
using var writer = new StreamWriter("output-utf8.txt", false, Encoding.UTF8);

string line;
// Leemos línea por línea — útil para archivos grandes
while ((line = reader.ReadLine()) != null)
{
    writer.WriteLine(line);
}

Console.WriteLine("¡Archivo recodificado con éxito de Windows-1251 a UTF-8!");

Ese código garantiza que cada línea se convierte correctamente de una codificación a otra.

Esquemáticamente se ve así:


┌───────────────────────────────┐     ┌───────────────────┐     ┌───────────────────────────────┐
│ Archivo "input-1251.txt" (1251)│ --> │  StreamReader     │ --> │  Strings tipo string en memoria│
└───────────────────────────────┘     │ (Encoding 1251)   │     └───────────────────────────────┘
                                      └───────────────────┘
                                              │
                                              ▼
                                  ┌────────────────────────┐
                                  │   StreamWriter         │
                                  │   (Encoding UTF-8)     │
                                  └───────────┬────────────┘
                                            │
                                            ▼
                              ┌──────────────────────────────┐
                              │ "output-utf8.txt" (UTF-8)    │
                              └──────────────────────────────┘

3. Ejemplo práctico: convertidor de codificaciones

Complicamos un poco la tarea: escribamos un programa simple-convertidor donde el usuario pueda elegir el archivo de origen y destino, y también las codificaciones.

Console.WriteLine("Introduce la ruta al archivo de origen:");
string inputPath = Console.ReadLine();

Console.WriteLine("Codificación del archivo de origen (por ejemplo, 1251, utf-8):");
string sourceEncodingName = Console.ReadLine();

Console.WriteLine("Introduce la ruta al archivo destino:");
string outputPath = Console.ReadLine();

Console.WriteLine("Codificación para guardar (por ejemplo, utf-8, 1251):");
string destEncodingName = Console.ReadLine();

Encoding sourceEncoding = Encoding.GetEncoding(sourceEncodingName);
Encoding destEncoding = Encoding.GetEncoding(destEncodingName);

using var reader = new StreamReader(inputPath, sourceEncoding);
using var writer = new StreamWriter(outputPath, false, destEncoding);
string line;
while ((line = reader.ReadLine()) != null)
{
    writer.WriteLine(line);
}

Console.WriteLine("¡Listo! Revisa el resultado.");

Consejo: Si no estás seguro de qué codificación indicar, revisa la documentación o prueba varias opciones. A veces el archivo solo se puede "identificar" por prueba y error si nadie dejó un README amable.

4. Matices importantes: BOM, caracteres "invisibles" y casos especiales

¿Cómo añadir BOM al guardar en UTF-8?

Por defecto Encoding.UTF8 en C# crea archivos sin BOM (Byte Order Mark). Si necesitas un archivo con BOM, usa:

// true — significa "con BOM"
var utf8WithBom = new UTF8Encoding(true);

using var writer = new StreamWriter("with-bom.txt", false, utf8WithBom);
writer.WriteLine("Texto con BOM");

El archivo ahora empezará con tres bytes "invisibles": 0xEF, 0xBB, 0xBF.

¿Cuándo BOM es malo?

  • Si exportas CSV para Excel, en muchas versiones extranjeras el BOM solo estorba — aparecen símbolos raros.
  • En sistemas tipo Unix (Linux) el BOM a veces rompe el procesamiento de archivos.
  • Para archivos JSON el BOM — casi siempre es malo, muchos parsers no lo manejan bien.

Consejo: Elige conscientemente si necesitas BOM y añádelo solo cuando sea necesario.

Caracteres ocultos y números mágicos

Si al abrir un archivo "recodificado" la aplicación da error de formato, puede que no hayas tenido en cuenta caracteres "invisibles" al inicio (por ejemplo, BOM), o te hayas equivocado en la codificación (por ejemplo, leíste como ASCII y en realidad hay cirílico en 1251). Siempre verifica qué codificaciones usan tu aplicación/compañero/servidor.

5. Detalles útiles

Trabajar con archivos grandes: ¿por qué línea a línea y no todo junto?

Pudieras hacer simplemente:

string allText = File.ReadAllText("input.txt", Encoding.GetEncoding(1251));
File.WriteAllText("output.txt", allText, Encoding.UTF8);

Ese enfoque vale para archivos pequeños y medianos (digamos, hasta ~50 MB). Pero si el archivo es grande, todo el texto se cargará en memoria — y si el archivo tiene algunos GB, será "ouch". Por eso para versatilidad usamos lectura/escritura por líneas.

Recodificación entre codificaciones menos comunes

Imagina que aparece un archivo en ISO-8859-1 (a las bases MySQL les encanta eso) y necesitas Unicode.

var sourceEnc = Encoding.GetEncoding("iso-8859-1");
var destEnc = Encoding.UTF8;

using var reader = new StreamReader("data-latin.txt", sourceEnc);
using var writer = new StreamWriter("data-unicode.txt", false, destEnc);
string line;
while ((line = reader.ReadLine()) != null)
{
    writer.WriteLine(line);
}

Ese enfoque funciona con cualquier codificación si .NET la soporta.

¡No recodifiques archivos binarios!

El programa descrito arriba está pensado exclusivamente para archivos de texto. Si el archivo es binario (por ejemplo, imagen, audio, archivo comprimido), intentar "leerlo como texto y volver a escribirlo" cortará bytes, producirá un montón de mojibake y el archivo quedará inservible. Para archivos binarios la recodificación no tiene sentido — "codificación" ahí no aplica.

Tabla de correspondencias: qué codificaciones son útiles para qué

Codificación Cuándo usar
UTF-8 Archivos universales, web, aplicaciones modernas
UTF-8 con BOM Para compatibilidad con Notepad, Excel
Windows-1251 Para la "vieja guardia", aplicaciones locales en ruso
ASCII Para archivos con solo texto en inglés
UTF-16 Para casos especiales, aplicaciones exóticas

Trucos y consejos

¿Cómo saber la codificación de un archivo?

  • Editores especializados (Notepad++, Visual Studio Code) suelen detectar y mostrar la codificación.
  • Si no hay BOM y todo parece "correcto" pero las letras no son las esperadas — probablemente la codificación no coincide.

¿Se puede automatizar la detección de codificación?

  • En .NET no hay una "varita mágica" que detecte 100% la codificación de cualquier archivo. Normalmente: si hay BOM, es claramente UTF con BOM; si no, hay que deducir por el contenido o probar varias opciones.

¿Qué hacer si parte de las líneas se leen bien y parte son "mojibake"?

  • Puede que el archivo sea "mixto" o esté corrupto. Revisa si no fue escrito por distintos programas.

6. Errores típicos y cómo evitarlos

Para entender mejor, veamos los errores más comunes:

Codificación de origen incorrecta. Si piensas que el archivo está en UTF-8 pero en realidad está en Windows-1251 — verás una "escalera" en lugar de cirílico. Verifica la codificación de origen; si no estás seguro, ábrelo en Notepad++ u otros editores que muestren la codificación real.

BOM en el lugar equivocado. A veces añadir BOM rompe el parsing, a veces la falta de BOM hace que otro software detecte mal la codificación.

Leer todo el archivo en memoria. Si el archivo es grande, usa lectura por líneas — si no, la app se comerá toda la RAM con una base de texto grande.

Escribir sin especificar codificación. Por defecto StreamWriter usa UTF-8 sin BOM. Si quieres otra variante — indícalo explícitamente.

Uso incorrecto de GetEncoding. Si te equivocas en la cadena, por ejemplo "utf8" en lugar de "utf-8", obtendrás una excepción. Usa nombres correctos (o códigos, por ejemplo 1251).

1
Cuestionario/control
Tipos básicos de codificaciones, nivel 37, lección 4
No disponible
Tipos básicos de codificaciones
Trabajando con codificaciones de archivos
Comentarios
TO VIEW ALL COMMENTS OR TO MAKE A COMMENT,
GO TO FULL VERSION