O que é um arquivo TXT? Texto simples, codificação e UTF-8

TXT é o formato de documento mais simples que um computador tem: sem negrito, sem fontes, sem layout de página, apenas caracteres e quebras de linha. Essa simplicidade o torna extremamente portátil. Você consegue abrir hoje um arquivo de texto escrito há cinquenta anos, e o que você escreve hoje muito provavelmente ainda vai abrir daqui a décadas. Mas "texto simples" não é tão simples quanto parece. Letras acentuadas que viram "é" ou "?", linhas que se juntam em uma só, um caractere invisível no início do arquivo: tudo isso vem de um detalhe escondido dentro do TXT, a sua codificação de caracteres. Este artigo explica como os arquivos TXT funcionam e como resolver esses problemas.

O que é um arquivo TXT?

Um arquivo com a extensão .txt contém apenas caracteres de texto. Não há cabeçalho, metadados nem formatação; cada byte pertence ao próprio texto. A pergunta decisiva é: qual byte representa qual caractere? Esse mapeamento se chama codificação de caracteres, e um arquivo TXT geralmente não informa qual usa. O programa que o abre precisa adivinhar.

Um breve histórico: do ASCII ao UTF-8

O ASCII foi publicado pela primeira vez em 1963 como ASA X3.4-1963. Ele usa 7 bits e define 128 caracteres: o alfabeto inglês, algarismos, pontuação e caracteres de controle como a quebra de linha. Letras como é, ñ, ö, ç ou ã não fazem parte do ASCII.

Para preencher essa lacuna surgiram as páginas de código, que atribuem os 128 valores restantes de um byte de 8 bits a idiomas diferentes: Windows-1252 e ISO-8859-1 para as línguas da Europa Ocidental (incluindo o português), Windows-1254 e ISO-8859-9 para o turco, e muitas outras. O problema é que o mesmo byte significa letras diferentes em páginas de código diferentes. O byte FD, por exemplo, é "ý" no Windows-1252, mas "ı" no Windows-1254. Um programa que adivinha a página de código errada exibe o texto incorretamente.

A solução duradoura foi o Unicode, que dá a cada caractere de cada sistema de escrita um único número. O UTF-8 é a forma mais usada de transformar esses números em bytes. Segundo o relato de Rob Pike, Ken Thompson projetou o UTF-8 em um jogo americano de papel, numa lanchonete de Nova Jersey, certa noite por volta de setembro de 1992. Sua definição atual é a RFC 3629, de novembro de 2003: o UTF-8 codifica cada caractere de U+0000 a U+10FFFF em 1 a 4 bytes e grava os caracteres ASCII com os mesmos bytes únicos do ASCII.

A web mostra o quanto o UTF-8 se tornou dominante: segundo dados da W3Techs de 15 de outubro de 2026, 99,1% dos sites cuja codificação de caracteres é conhecida usam UTF-8, seguidos por ISO-8859-1, com 0,8%, e Windows-1252, com 0,2%.

O que há dentro de um arquivo TXT?

Caracteres e bytes

Salve a palavra "café" em UTF-8 e em Windows-1252 e você terá bytes diferentes:

Texto:          c   a   f   é
UTF-8:          63  61  66  C3 A9   (5 bytes)
Windows-1252:   63  61  66  E9      (4 bytes)

Um programa que lê o arquivo UTF-8 como Windows-1252 mostra C3 e A9 como dois caracteres separados, "é". No sentido contrário, um programa que lê o arquivo Windows-1252 como UTF-8 considera E9 inválido e mostra "�" no lugar. Quase todo problema de caracteres embaralhados é um desses dois cenários.

O BOM (marca de ordem de bytes)

Alguns programas colocam os bytes EF BB BF no início de um arquivo UTF-8. Essa é a forma UTF-8 do caractere U+FEFF, usada como assinatura que significa "este arquivo é UTF-8". A RFC 3629 observa que essa assinatura sempre aparece como esses três bytes. Segundo o FAQ do Unicode, o BOM não é obrigatório no UTF-8 e serve apenas como assinatura, e deve ser evitado em protocolos que esperam caracteres ASCII no início do arquivo. Na prática, o BOM ajuda alguns programas antigos do Windows e o Excel a reconhecer o UTF-8, mas pode quebrar scripts de shell do Unix e arquivos de configuração lidos por certos programas.

No UTF-16, o BOM é ainda mais importante, porque informa ao leitor a ordem dos bytes: FF FE significa UTF-16 little-endian e FE FF significa big-endian.

Finais de linha

O caractere que marca o fim de uma linha também depende do sistema operacional:

Durante muitos anos, o Bloco de Notas do Windows só entendia CRLF, então um arquivo escrito no Linux aparecia como uma única linha comprida. A Microsoft anunciou o suporte a LF e CR no Bloco de Notas em 8 de maio de 2018, e a mudança chegou aos usuários com a versão 1809 do Windows 10.

Onde o TXT é usado?

• Notas e rascunhos: anotações rápidas que não precisam de formatação.
• Software: arquivos README, textos de licença, código-fonte, arquivos de configuração e logs.
• Troca de dados: listas simples e exportações trocadas entre sistemas.
• Armazenamento de longo prazo: textos que precisam ser arquivados sem depender de nenhum aplicativo.
• Acessibilidade e processamento: a entrada mais limpa para leitores de tela, mecanismos de busca e ferramentas de análise de texto.

Pontos fortes e fracos

Pontos fortes: qualquer dispositivo e sistema operacional o abre. Os arquivos são minúsculos. Não há dependência de versões de programas e o risco de corrupção é muito baixo. Sistemas de controle de versão como o Git conseguem mostrar as alterações linha por linha. Ele não pode conter macros nem objetos incorporados, o que o torna seguro.

Pontos fracos: não comporta formatação, imagens, tabelas ou links. Como a codificação não fica registrada no arquivo, ela pode ser adivinhada errado. As diferenças de final de linha causam problemas pequenos, mas irritantes, entre sistemas. Se você precisa de estrutura como títulos e listas, o Markdown é uma escolha melhor.

Quais programas abrem TXT?

O Bloco de Notas no Windows, o TextEdit no macOS e o gedit e editores parecidos no Linux abrem TXT, e os navegadores exibem arquivos de texto diretamente. Editores avançados como Visual Studio Code, Notepad++ e Sublime Text mostram a codificação e o tipo de final de linha na barra de status e permitem mudar os dois com um clique, o que faz deles as ferramentas mais práticas para diagnosticar problemas de codificação.

Problemas comuns e como resolvê-los

Os acentos aparecem como "é" ou "ç"

O arquivo foi salvo em UTF-8, mas o programa que o lê presume Windows-1252. Abra-o novamente como UTF-8 em um editor que permita escolher a codificação. Se um CSV ou arquivo de texto aparece assim no Excel, salvá-lo como UTF-8 com BOM costuma resolver.

Os caracteres são substituídos por "?" ou "�"

O arquivo foi salvo em uma página de código antiga, mas está sendo lido como UTF-8. Abra-o no editor com a página de código correta selecionada e depois salve como UTF-8. Se o texto foi salvo com caracteres "?" literais, os originais se perderam e você precisa voltar à fonte.

Todo o texto aparece em uma linha só

Um editor antigo não entende finais de linha LF. Use um Bloco de Notas atualizado ou um editor avançado, ou converta os finais de linha para CRLF.

Há um caractere invisível no início do arquivo

Geralmente é o BOM. Se um script ou arquivo de configuração falha logo na primeira linha, salve-o como "UTF-8 sem BOM".

Dicas para converter arquivos TXT

No nosso conversor, os arquivos TXT são enviados ao nosso servidor e excluídos em até 30 minutos. A codificação é detectada automaticamente: primeiro o BOM é verificado (UTF-8, UTF-16 little-endian e big-endian); sem BOM, verifica-se se o arquivo é UTF-8 válido; se não for, ele é lido como Windows-1254, a antiga página de código turca do Windows (que coincide com o Windows-1252 em letras como ç, ã e é). Arquivos com muitos bytes NUL são tratados como binários, e não como texto, e você recebe a mensagem "este não é um arquivo de texto".

• Com TXT para Word e TXT para PDF, cada linha vira um parágrafo e as linhas em branco são mantidas. O recuo no início das linhas (código, poesia ou cláusulas numeradas) é transformado em espaços não separáveis para não se perder, e tabulações iniciais viram quatro espaços.
• TXT para Markdown é um bom ponto de partida quando você quer enriquecer o texto simples com títulos e listas depois.
• No sentido inverso, PDF para TXT e Word para TXT descartam a formatação e separam títulos e parágrafos com linhas em branco. Os arquivos TXT que geramos são salvos em UTF-8 com BOM para que os caracteres acentuados apareçam corretamente em programas como o Bloco de Notas e o Excel.

Perguntas frequentes

Em qual codificação devo salvar um arquivo TXT?

UTF-8 para arquivos novos. Ele suporta todos os idiomas e se tornou praticamente universal na web. Dispense o BOM se o arquivo for lido por programas que esperam UTF-8 sem ele; inclua-o se o arquivo for aberto em programas como o Excel.

Qual é a diferença entre UTF-8 e UTF-8 com BOM?

O conteúdo é idêntico; a versão com BOM apenas começa com os bytes EF BB BF. Essa assinatura ajuda alguns programas a detectar a codificação, mas em outros pode aparecer como um primeiro caractere invisível.

Qual é a diferença entre TXT e RTF?

O TXT contém apenas caracteres. O RTF carrega formatação como negrito, itálico, fontes e tabelas por meio de comandos de controle inseridos no texto. Se você não precisa de formatação, o TXT é mais simples e mais portátil.

Como descubro a codificação de um arquivo TXT?

Editores como Visual Studio Code e Notepad++ mostram a codificação na barra de status. As versões atuais do Bloco de Notas também mostram a codificação e o tipo de final de linha na barra de status.

Um arquivo TXT pode conter vírus?

Um arquivo de texto simples não contém, por si só, código executável. Fique atento a extensões duplas como "documento.txt.exe"; deixar as extensões de arquivo visíveis no Windows ajuda a perceber esse truque.

Fontes

• IETF RFC 3629: UTF-8, a transformation format of ISO 10646 (novembro de 2003)
• Unicode Consortium: UTF-8, UTF-16, UTF-32 and BOM FAQ
• Rob Pike: UTF-8 history
• W3Techs: Usage statistics of character encodings for websites
• Microsoft: Introducing extended line endings support in Notepad (8 de maio de 2018)
• Wikipedia: ASCII (fonte secundária)