Archivos TXT

¿Qué es un archivo .TXT?

Un archivo .TXT generalmente significa un archivo de texto. Se trata de una disposición de contenido textual sin ninguna fuente, formato ni imágenes incrustadas en él; es decir, un archivo en el que el formato está dictado por el propio texto en lugar de definirse mediante un software específico u otros medios.

Una variedad de convenciones usa la extensión .TXT. La mayoría son simplemente algún archivo de texto que contiene texto plano o algo similar, sin embargo esta convención incluye archivos README, NFO y log; archivos de texto exportados desde bases de datos, programas de contabilidad financiera, equipos de prueba o aplicaciones de hoja de cálculo; archivos en UTF-8 guardados con un BOM; y a veces, archivos mal etiquetados que en realidad deberían tener la extensión RTF o PDF. Los delimitadores en archivos .TXT delimitados pueden ser tabulaciones, comas, punto y coma, una cantidad fija de caracteres para cada elemento, o barras verticales. Esto significa que la extensión del nombre de archivo no puede decir nada sobre la estructura del contenido. Los documentos de estilo NFO suelen tener formato mediante caracteres ASCII o ASCII extendido, y para mostrarlos correctamente se requiere una fuente monoespaciada junto con páginas de códigos heredadas, concretamente CP437 y Windows-1252.

Abre un archivo con un editor de texto para averiguar qué tipo de documento es. Si ves contenido legible, esto es .TXT; todo lo demás, no.

Cómo abrir un archivo .TXT

Detalles técnicos

No existe una estructura requerida dentro de un archivo con esta extensión. En términos sencillos el .txt es un texto plano donde los encabezados/trailers, el índice interno obligatorio y la compresión entre otras características obligatorias no son necesarios y no existe ninguna estructura diseñada dentro de un contenedor. En la mayoría de los casos este es un flujo de bytes crudos visto como caracteres usando la aplicación apropiada. Para el tipo MIME puedes elegir: "text/plain". Para .TXT también puedes aplicar un valor de carácter (valor de codificación de caracteres) el cual podría ser de la siguiente manera charset=utf-8;charset=us-ascii;charset=windows-1252 pero por ejemplo muchos archivos locales no tienen el atributo de codificación de caracteres definido. Ejemplos comunes de conjuntos de caracteres incluyen las formatos de transformación Unicode (UTF-8 o UTF-16);US-ASCII; la página de código de 8 bits Windows 1252 (también llamada ANSI o CP-1252 Latin-1); Shift_JIS, Código de página 437 etc. Ejemplos de secuencias de caracteres de final de línea incluyen: UNIX/Linux/Mac sistemas operativos modernos - LF(\n); Microsoft/DOS; Formatos de texto de Internet-CRLF ( \r \n) Sólo el sistema clásico de Mac CR(\r).

Secuencias de caracteres especiales pueden incluir tabulaciones; espacios; form feed; y otros así como códigos de escape ANSI como en el caso de la manipulación del cursor o la tecla Escape o cuando se intenta especificar algún formato de fuente especial. Los editores van a diferir al mostrar códigos porque algunos pueden elegir ver los caracteres directamente como secuencias de códigos ASCII mientras que otros como códigos de formato de fuente o códigos de escape y otros etc. Cuando se usa como delimitador de datos entonces el archivo .TXT se convierte en el formato de registros de datos orientados a la línea. No existe un esquema de datos estandarizado que incluya; los nombres de las columnas; qué delimitadores de campo usar; cómo citar los campos entre otros como el símbolo especial que marca el separador decimal o así. No se guarda ninguna información de metadatos dentro de este formato debe venir siempre de otro lado como el sistema de archivos; permisos; encabezados HTTP y las propiedades de los documentos de la biblioteca entre otros recursos.

El formato .TXT nunca ha sido una versión estandarizada aunque la Autoridad de Números Asignados de Internet ha definido correctamente el tipo MIME text/plain incluyendo los conjuntos de caracteres como se escribe en los estándares RFC 2046 y 6657. Este formato de archivo tiene tamaños que van desde tamaños pequeños como los de unos pocos kilobytes hasta cientos de gigas. Archivos grandes pueden presentar problemas para varios editores de texto ya que estos no están preparados para manejar archivos de gran tamaño sino más bien cargándolos enteramente en los búferes del editor. También hay algunos caracteres de secuencia de bytes especiales los cuales podrían anular las convenciones de nomenclatura de archivo a .txt como en el ejemplo del formato incorrecto RTF (7b 5c 72 74 66 = "{\rtf") o cuando se abre de la manera incorrecta un archivo PDF el cual empieza con 25 50 44 46 2d="%PDF-"

Cómo convertir archivos .TXT

Cambia al formato PDF para casos de impresión, firma, etc.: usa pandoc de la siguiente manera: pandoc input.txt -o output.pdf,Copy o recurre a convertir con LibreOffice Writer, MS Word o la función de impresión a PDF del navegador. En todos los casos, el ajuste de líneas, la elección de fuentes y los saltos de página los realiza el software de PDF y no se heredan del texto original.

Usa los formatos DOCX u ODT en caso de que los miembros del equipo necesiten añadir comentarios, registrar cambios, crear notas al pie y encabezados o usar estilos: pandoc input.txt -o output.docx;Copy y usa LibreOffice: soffice --headless --convert-to odt input.txt.Copy Todo el texto sin formato se formatea automáticamente, pero cualquier cosa que faltara en el archivo txt desaparecerá después de esta acción.

Usa el formato HTML de tu texto para la publicación web: pandoc input.txt -o output.html.Copy El convertidor debería transformar los saltos de línea, las sangrías en los párrafos, los hipervínculos en etiquetas <a href= ...> etc., y los caracteres < y > deben codificarse mediante notaciones HTML.

Para cambiar la codificación, puedes usar iconv, recode, notepad++ (función de conversión) e incluso guardar el archivo con una página de códigos diferente en Microsoft Visual Studio. Un caso común podría verse así: iconv -f WINDOWS-1252 -t UTF-8 input.txt > output.txt. Toma precauciones y haz una copia de seguridad en caso de que no estés seguro de con qué conjunto de caracteres estás trabajando.

El procesamiento por lotes funciona bien con Pandoc, LibreOffice --headless y el lenguaje de scripting PowerShell.

Problemas comunes y soluciones

Los caracteres como é, ’ o el símbolo � suelen indicar un uso incorrecto del juego de caracteres cuando se ha abierto el archivo. Abre el archivo en UTF-8, luego en Windows-1252, ISO-8859-1 y Shift_JIS; prueba también el juego de caracteres que se usó en el programa que exportó el archivo. El carácter BOM (archivo UTF-8 que comienza con EF, BB y BF), la firma (FF, FE o FE, FF) en UTF-16 se verán como un galimatías en visores que asumen texto de un solo byte.

'The file is too large to be read with this program' o mensajes similares aparecen al ver registros enormes, cuando los editores suelen quedarse colgados en una sola línea gigantesca que llega a decenas o incluso cientos de megabytes. El mensaje también puede significar que no se puede leer más allá de cierta posición. Prueba less, tail o cualquier visor especial, por ejemplo glogg, o abre el archivo con VS Code, que admite la visualización de archivos muy grandes.

Cuando cada línea resulta ser un único párrafo largo (puede verse extraño en Excel o Calc), lo más probable es que la culpa sea de finales de línea incorrectos o ausentes: corrígelo con dos2unix/unix2dos o con el menú de finales de línea en cualquier editor de texto. Para una mejor legibilidad, activa el ajuste de línea en la aplicación de visualización.

En las hojas de cálculo de MS/ODF (Excel / Calc), el problema de que todas las columnas se traten como un solo campo probablemente indica una selección incorrecta del delimitador y/o de la configuración regional al importar el archivo. Importa el archivo de nuevo usando el asistente de importación de texto en modo delimitado por tabulador/coma/punto y coma/barra vertical o incluso de anchos fijos. Establece todos los campos de códigos postales, cuentas y números similares como tipo Texto antes de abrir.

'Permission denied', 'Access is denied': el problema no está en el TXT en sí, sino en permisos/sistema de archivos bloqueado/bloqueo del archivo por otra aplicación. Ajusta los permisos del archivo en la interfaz gráfica del sistema operativo, libera el archivo para que deje de estar bloqueado por la aplicación que lo tiene o, como mínimo, cópialo a otro lugar y úsalo allí. Cuando un archivo .TXT comienza con '%PDF', 'PK' o alguna otra señal binaria, restaura la extensión correcta y usa la aplicación adecuada.

Consideraciones de seguridad

Como archivos de texto regulares son lo que son no existen macros especiales que tengan la capacidad de ejecutar los scripts y los objetos. Por lo tanto es razonable decir que los archivos TXT se consideran relativamente seguros en comparación con formatos como los formatos de Office e incluso el PDF. Lo que hace importante al contenido es que es una cuestión del software específico que procesa el contenido de dicho archivo ya que incluso un error puede ocurrir debido a líneas de texto mal formateadas y extremadamente largas. Evita ejecutar líneas de comandos copiados de una fuente externa ya que el documento TXT puede tener comandos de otros tipos como shell, PowerShell o comandos de lote los cuales requerirán pegarlos para que el proceso funcione, así como consultas SQL que necesitan un lanzamiento adecuado a través del visor, intérprete e incluso el propio servidor SQL.

Historia y versiones

El formato de texto simple se remonta significativamente a antes de la presencia de la extensión de archivo .TXT. El uso de la extensión de archivo .TXT se volvió común con programas de computadora que se ejecutaban en MS-DOS y CP/M, donde se usaban extensiones cortas para ayudar a las aplicaciones y a los usuarios a reconocer los formatos de archivo. En los sistemas operativos Unix, los textos simples se declararon como un tipo predeterminado de archivo de texto para archivos como buzones, código fuente, scripts de shell, configuraciones y archivos que contienen mensajes de registro, con el fin de aumentar la portabilidad del texto entre programas, así como entre computadoras y dispositivos. En Internet, el tipo MIME text/plain se definió en forma de un documento llamado "Multipurpose Internet Mail Extensions" (RFC 2046) y, después de eso, las actualizaciones de otros documentos RFC lo mantuvieron como tipos de medios registrados de Internet Assigned Numbers Authority. El uso del estándar Unicode y UTF-8 ha reducido considerablemente la dependencia de las páginas de códigos nacionales; sin embargo, todavía existen muchos documentos TXT antiguos que usan codificaciones como CP437, Windows-1252, ISO-8859-1. En Windows OS, el programa Notepad había usado tradicionalmente codificaciones ANSI, pero ahora usa la codificación UTF-8 como su formato predeterminado para la creación de archivos de texto simple.

Formatos relacionados

CSV, o valores separados por comas, se usa comúnmente en Excel, LibreOffice Calc o utilidades de exportación de bases de datos como medio para exportar filas y columnas de acuerdo con las directrices del formato RFC 4180. TXT es más flexible y tiene riesgo de interpretarse mal debido a la posible existencia de comas dentro de él. Los valores separados por tabulaciones, también conocidos como TSV, implican tabulaciones para delimitar la separación de campos, y un enfoque similar se implementa con respecto a los archivos delimitados por TAB, aunque .tsv es un indicador para esos analizadores, así como .log es un indicador de un archivo de registro de solo anexado y ordenado por tiempo. En el caso de los archivos de marcado (MD y MARKDOWN), los encabezados, viñetas y estructuras de listas se conservan dentro del código fuente, a diferencia de los archivos TXT. RTF admite formato, color, objetos incrustados, etc., pero DOCX/ODT también contienen elementos extra dentro del formato de paquete comprimido. LOG significa anexado de registros ordenados por tiempo sin editar el contenido anterior. INI, CFG, CONF, YAML, JSON o XML tienen más uso en caso de que las máquinas analicen los archivos. PDF es un documento de presentación de diseño final fijo.