Kaputte Umlaute in einer CSV-Datei reparieren
Sie öffnen eine CSV-Datei, und aus „Größe“ ist „Größe“ geworden, aus „Straße“ „Straße“, aus dem Eurozeichen „€“. Der Fachbegriff dafür ist Mojibake. Dieses Werkzeug wandelt solche Folgen im Browser zurück, erkennt die Kodierung der Datei, stellt auf Wunsch Trennzeichen und Zeilenenden um und speichert das Ergebnis als UTF-8, mit oder ohne BOM. Die Datei wird nicht hochgeladen. Die Reparatur ist eine Rückrechnung und kein Raten: Es wird nur umgewandelt, was sich als gültige UTF-8-Folge erweist.
Wie die Fehler entstehen
Ein Umlaut besteht in UTF-8 aus zwei Bytes. Das „ä“ ist C3 A4, das „ß“ ist C3 9F, das Eurozeichen sind drei Bytes, E2 82 AC. Liest ein Programm diese Bytes fälschlich als Windows-1252, wird jedes Byte einzeln zu einem Zeichen: C3 ist „Ó, A4 ist „¤“, zusammen „ä“. Beim „ß“ ist 9F in Windows-1252 das „Ÿ“, daher „ß“. Wird der kaputte Text dann noch einmal als UTF-8 gespeichert und erneut falsch gelesen, entsteht eine doppelt kaputte Fassung wie „ä“. Das Werkzeug kehrt den Vorgang um und wiederholt ihn bis zu viermal.
Typische Auslöser sind Exporte aus Shopsystemen, Datenbanken oder Buchhaltungsprogrammen, die UTF-8 liefern, während die Datei mit einem Doppelklick in Excel geöffnet wird. Auch das Zwischenspeichern in einem Editor, der die Datei als Windows-1252 interpretiert und danach als UTF-8 schreibt, erzeugt die Fehler. Wer eine gesunde UTF-8-Datei nur anzeigen will, kann sie in Excel über Daten, Aus Text/CSV laden und als Dateiursprung „Unicode (UTF-8)“ wählen. Ist die Datei aber bereits kaputt gespeichert, hilft nur die Rückwandlung hier.
Welche Kodierungen erkannt werden
- UTF-8 mit und ohne BOM. Ohne BOM gilt eine Datei als UTF-8, wenn alle Bytes eine gültige UTF-8-Folge ergeben (RFC 3629).
- Windows-1252 und ISO-8859-1. Ist die Datei kein gültiges UTF-8, nimmt „Automatisch erkennen“ Windows-1252. Die beiden Zeichensätze stimmen bis auf die Zeichen von 0x80 bis 0x9F überein, dort hat Windows-1252 unter anderem das Eurozeichen. Ein Programm kann sie nicht sicher unterscheiden; wählen Sie bei Bedarf selbst.
- UTF-16 (Little und Big Endian). Mit BOM sicher, ohne BOM nur, wenn die Nullbytes eines Textes aus lateinischen Zeichen auf jeder zweiten Stelle stehen.
Die Zuordnung der Bytes zu Zeichen stammt aus der Tabelle CP1252.TXT des Unicode Consortiums. Fünf Bytes (0x81, 0x8D, 0x8F, 0x90, 0x9D) sind dort nicht belegt; der WHATWG Encoding Standard, dem auch die Browser folgen, ordnet sie den gleichnummerierten Steuerzeichen zu. Das Werkzeug macht es genauso.
Was die Rückwandlung erkennt und was nicht
Umgewandelt wird eine Folge nur, wenn ein Startzeichen (zum Beispiel „Ó oder „â“) von passenden Folgezeichen begleitet wird und sich daraus ein gültiges UTF-8-Zeichen ergibt, das zu lateinischer, griechischer oder kyrillischer Schrift, zu Satzzeichen, Symbolen oder Emoji gehört. Andere Schriften wie Hebräisch, Arabisch, Thai oder Chinesisch werden nicht zurückgewandelt. Intakter Text bleibt unverändert, auch wenn er Umlaute enthält. Einen Nutzen hat das nicht, wenn die Information schon verloren ist: Steht in der Datei ein Fragezeichen oder das Ersatzzeichen „�“ anstelle des Umlauts, lässt sich das Original nicht ermitteln. Das Werkzeug zählt solche Ersatzzeichen und meldet sie, repariert sie aber nicht. Im Ergebnis stehen zudem die verbliebenen verdächtigen Folgen, damit Sie sehen, ob etwas übrig ist. Ein seltener Fall bleibt: Ein echter Text, der zufällig wie Mojibake aussieht, würde ebenfalls umgewandelt. Sehen Sie sich deshalb die Vorschau an.
Trennzeichen erkennen und umstellen
Das Werkzeug prüft die ersten Zeilen auf Semikolon, Komma, Tabulator und senkrechten Strich. Es wählt das Zeichen, bei dem die meisten Zeilen dieselbe Spaltenzahl haben. Trennzeichen innerhalb von Anführungszeichen zählen nicht mit: Steht in „Müller; Söhne“ ein Semikolon im Feld, bleibt das Komma das Trennzeichen der Datei. Beim Umstellen liest das Werkzeug die Datei als Tabelle und schreibt sie neu; Felder, die das neue Trennzeichen, Anführungszeichen oder Zeilenumbrüche enthalten, werden in Anführungszeichen gesetzt. Eine Datei mit nur einer Spalte hat kein erkennbares Trennzeichen und bleibt, wie sie ist. Für Excel auf Deutsch ist das Semikolon die richtige Wahl.
Zeilenenden und BOM
Windows nutzt CRLF, Unix und macOS nutzen LF. Das Werkzeug lässt die Zeilenenden auf Wunsch unverändert oder vereinheitlicht sie. Zeilenumbrüche innerhalb von Feldern in Anführungszeichen werden dabei ebenfalls vereinheitlicht. Das BOM ist die Bytefolge EF BB BF am Dateianfang. Excel erkennt daran, dass die Datei UTF-8 ist, und zeigt Umlaute richtig an. Fehlt das BOM, öffnet Excel die Datei je nach Version und Öffnungsweg oft als Windows-1252. Andere Programme stören sich am BOM; dann wählen Sie die Ausgabe ohne. Ein vorhandenes BOM wird nie verdoppelt.
So gehen Sie vor, Vorschau und Zählung
- Datei in das Feld ziehen, auswählen oder den Text einfügen. Das Werkzeug legt sofort los.
- Erkennung und Zählung lesen, bei Bedarf Zeichensatz, Trennzeichen, Zeilenenden und BOM ändern. Das Ergebnis aktualisiert sich.
- Vorher und nachher in der Vorschau vergleichen, vor allem Namen, Straßen und Sonderzeichen.
- Die reparierte Datei herunterladen und in Excel öffnen. Das Original bleibt unberührt, solange Sie es nicht selbst überschreiben.
Nach dem Lauf sehen Sie die erkannte Kodierung, das erkannte Trennzeichen, die Zeilenenden vorher und nachher und die Zahl der zurückgewandelten Zeichenfolgen. Bei mehrfach kaputtem Text zählt jeder Durchgang mit; die Zahl ist also ein Hinweis auf den Umfang, keine Anzahl betroffener Wörter. Darunter stehen die häufigsten Ersetzungen und die ersten Zeilen vorher und nachher nebeneinander. Prüfen Sie dort Namen, Straßen und Sonderzeichen, bevor Sie die Datei herunterladen, und behalten Sie die Originaldatei.
Datenschutz bei diesem Werkzeug
CSV-Dateien enthalten oft Adressen und Kundendaten. Die Datei wird im Browser gelesen, bearbeitet und als neue Datei auf Ihrem Gerät erzeugt. Es gibt keinen Upload und keine Speicherung. Wir übertragen den Dateiinhalt nicht.