Archivo de texto

Un archivo de texto (a veces escrito textfile ; un nombre alternativo antiguo es archivo plano ) es un tipo de archivo informático que está estructurado como una secuencia de líneas de texto electrónico . Un archivo de texto existe almacenado como datos dentro de un sistema de archivos informático .

En sistemas operativos como CP/M , donde el sistema operativo no registra el tamaño del archivo en bytes, el final de un archivo de texto se indica colocando uno o más caracteres especiales, conocidos como marcador de fin de archivo (EOF), como relleno después de la última línea del archivo. ^{[ 1 ]} En sistemas operativos modernos como DOS , Microsoft Windows y sistemas tipo Unix , los archivos de texto no contienen ningún carácter EOF especial, porque los sistemas de archivos de esos sistemas operativos registran el tamaño del archivo en bytes. ^{[ 2 ]}

Algunos sistemas operativos, como Multics , sistemas tipo Unix, CP/M, DOS , el clásico Mac OS y Windows, almacenan archivos de texto como una secuencia de bytes, con un delimitador de fin de línea al final de cada línea. Otros sistemas operativos, como OpenVMS y OS/360 y sus sucesores , tienen sistemas de archivos orientados a registros , en los que los archivos de texto se almacenan como una secuencia de registros de longitud fija o de longitud variable con un valor de longitud de registro en el encabezado del registro.

"Archivo de texto" se refiere a un tipo de contenedor, mientras que "texto plano " se refiere a un tipo de contenido.

En un nivel de descripción genérico, hay dos tipos de archivos informáticos: archivos de texto y archivos binarios . ^{[ 3 ]}

Debido a su simplicidad, los archivos de texto se utilizan comúnmente para almacenar información. Evitan algunos de los problemas que presentan otros formatos de archivo, como el orden de bytes , el relleno de bytes o las diferencias en el número de bytes en una palabra de máquina . Además, cuando se produce corrupción de datos en un archivo de texto, suele ser más fácil recuperar y continuar procesando el contenido restante. Una desventaja de los archivos de texto es que generalmente tienen una entropía baja , lo que significa que la información ocupa más espacio de almacenamiento del estrictamente necesario.

Un archivo de texto simple puede no necesitar metadatos adicionales (aparte del conocimiento de su conjunto de caracteres ) para ayudar al lector en su interpretación. Un archivo de texto puede no contener ningún dato, lo que constituye un caso de archivo de cero bytes .

El conjunto de caracteres ASCII es el subconjunto compatible más común para archivos de texto en inglés y, por lo general, se considera el formato de archivo predeterminado en muchas situaciones. Cubre el inglés americano, pero para el símbolo de la libra esterlina , el símbolo del euro o caracteres utilizados fuera del inglés, se debe usar un conjunto de caracteres más amplio. En muchos sistemas, este se elige en función de la configuración regional predeterminada del ordenador donde se lee el archivo. Antes de UTF-8, tradicionalmente se utilizaban codificaciones de un solo byte (como ISO-8859-1 a ISO-8859-16 ) para idiomas europeos y codificaciones de caracteres anchos para idiomas asiáticos.

Debido a que las codificaciones necesariamente tienen un repertorio limitado de caracteres, a menudo muy pequeño, muchas solo se pueden usar para representar texto en un subconjunto limitado de idiomas humanos. Unicode es un intento de crear un estándar común para representar todos los idiomas conocidos, y la mayoría de los conjuntos de caracteres conocidos son subconjuntos del extenso conjunto de caracteres Unicode. Aunque existen múltiples codificaciones de caracteres disponibles para Unicode, la más común es UTF-8 , que tiene la ventaja de ser retrocompatible con ASCII; es decir, todo archivo de texto ASCII también es un archivo de texto UTF-8 con el mismo significado. UTF-8 también tiene la ventaja de ser fácilmente autodetectable . Por lo tanto, un modo de funcionamiento común del software compatible con UTF-8, al abrir archivos de codificación desconocida, es intentar primero con UTF-8 y recurrir a una codificación heredada dependiente de la configuración regional cuando definitivamente no es UTF-8.

En la mayoría de los sistemas operativos, el término " archivo de texto" se refiere a un formato de archivo que solo admite texto plano con muy poco formato (por ejemplo, sin negrita ni cursiva ). Estos archivos se pueden visualizar y editar en terminales de texto o en editores de texto sencillos . Los archivos de texto suelen tener el tipo MIMEtext/plain y, por lo general, información adicional que indica la codificación.

Archivos de texto de Microsoft Windows

DOS y Microsoft Windows utilizan un formato de archivo de texto común, donde cada línea está separada por una combinación de dos caracteres: retorno de carro (CR) y salto de línea (LF). Es habitual que la última línea no termine con un marcador CR-LF, y muchos editores de texto (incluido el Bloc de notas ) no lo insertan automáticamente en la última línea.

En los sistemas operativos Microsoft Windows, un archivo se considera de texto si su extensión (la " extensión de archivo ") es .txt. Sin embargo, existen muchas otras extensiones que se utilizan para archivos de texto con fines específicos. Por ejemplo, el código fuente de los programas informáticos suele guardarse en archivos de texto con extensiones que indican el lenguaje de programación en el que está escrito.

La mayoría de los archivos de texto de Microsoft Windows utilizan la codificación ANSI, OEM o Unicode ( UTF-16 o UTF-8).

Lo que Microsoft Windows denomina "codificaciones ANSI" son, por lo general, codificaciones ISO/IEC 8859 de un solo byte (es decir, ANSI en los menús del Bloc de notas de Microsoft es en realidad "Página de códigos del sistema", una codificación heredada que no utiliza Unicode), excepto en idiomas como el chino, el japonés y el coreano, que requieren conjuntos de caracteres de doble byte. Las codificaciones ANSI se utilizaban tradicionalmente como configuraciones regionales predeterminadas del sistema en Microsoft Windows, antes de la transición a Unicode.

Por el contrario, las codificaciones OEM, también conocidas como páginas de códigos DOS , fueron definidas por IBM para su uso en el sistema de visualización en modo texto del IBM PC original. Estas suelen incluir caracteres gráficos y de dibujo de líneas comunes en las aplicaciones DOS.

Los archivos de texto de Microsoft Windows codificados con "Unicode" contienen texto en formato de transformación Unicode UTF-16. Estos archivos normalmente comienzan con una marca de orden de bytes (BOM), que comunica el orden de bytes del contenido del archivo. Aunque UTF-8 no presenta problemas de orden de bytes, muchos programas de Microsoft Windows (por ejemplo, el Bloc de notas) anteponen una BOM al contenido de los archivos codificados con UTF-8 ^{[ 4 ]} para diferenciar la codificación UTF-8 de otras codificaciones de 8 bits ^{[ 5 ] .}

Al abrir un archivo con un editor de texto, se muestra al usuario el contenido legible. Este suele consistir en el texto plano visible para el usuario. Según la aplicación, los códigos de control pueden representarse como instrucciones literales que el editor ejecuta, o como caracteres de escape visibles que pueden editarse como texto plano. Aunque un archivo de texto contenga texto plano, los caracteres de control (especialmente el carácter de fin de archivo) pueden hacer que el texto plano resulte invisible para ciertos métodos.

El uso de lenguajes de marcado ligeros como TeX , Markdown y Wikitext puede considerarse una extensión de los archivos de texto plano, ya que el texto marcado sigue siendo total o parcialmente legible para los humanos a pesar de contener anotaciones interpretables por máquinas. Los primeros usos de HTML también podrían considerarse de esta manera, aunque el HTML de los sitios web modernos es en gran medida ilegible para los humanos. Otros formatos de archivo, como el texto enriquecido y CSV, también pueden considerarse interpretables por humanos hasta cierto punto.

• ASCII – Estándar de codificación de caracteres 
• EBCDIC : sistema de codificación de caracteres de ocho bits inventado por IBM. 
• Extensión de nombre de archivo : sufijo del nombre de archivo que indica el tipo de archivo. 
• Lista de formatos de archivo
• Salto de línea : caracteres especiales en informática que indican el final de una línea de texto. 
• Resaltado de sintaxis : herramienta de los editores de programación, scripting y marcado. 
• Protocolo basado en texto : sistema para el intercambio de mensajes entre sistemas informáticos. Páginas que muestran breves descripciones de los destinos de redirección. 
• Editor de texto : software para editar documentos de texto plano. 
• Unicode : estándar de codificación de caracteres 

• El poder del texto plano en la wiki de C2