Introducción
El ordenador es una máquina digital, por lo tanto solo es capaz de representar información utilizando el sistema binario de numeración. Esto obliga a que, para poder almacenar información en un ordenador, previamente haya que codificarla en forma de números binarios.
El problema de los números binarios es que están muy alejados del ser humano; es decir, que las personas no estamos capacitadas para manejar información en binario. Nosotros usamos un sistema numérico decimal para los números y sistemas mucho más complejos para representar otros tipos de información (como el texto, las imágenes, la música,…)
Al principio los ordenadores solo eran capaces de manipular números (de hecho todavía, la CPU, el cerebro de los ordenadores sigue trabajando en binario), pero en la actualidad no hay prácticamente ningún tipo de información que no estemos manipulando a través del ordenador: así manejamos texto, imágenes, música, vídeo… a través del ordenador. Esto es posible porque se ha conseguido que casi cualquier tipo de información se pueda transformar a binario.
Los seres humanos tenemos la capacidad de diferenciar claramente lo que es un texto de una imagen, lo que es un número de una canción,… Pero en un ordenador todo es más complicado, porque todo es binario.
Ese proceso de transformar la información humana a su equivalente máquina, se conoce como codificación. El principal problema es que no hay una sola forma de codificar, es decir una misma información (una fotografía por ejemplo) se puede codificar a binario de diferentes formas. Aunque hoy día ya tenemos numerosos estándares, todavía sigue siendo uno de los aspectos problemáticos de la informática.
Fundamentalmente la información que un ordenador maneja son números y texto. Pero, curiosamente, a nivel formal solo se consideran datos binarios a la información representable en el ordenador que no es texto (imagen, sonido, vídeo,…); aunque, como ya hemos comentado, en realidad toda la información que maneja un ordenador es binaria, incluido el texto.
Datos binarios vs datos en forma de texto
Datos binarios
Como se ha comentado antes, a cualquier dato codificado en una computadora que no sea texto, se le considera dato binario. Ejemplos de datos binarios son: una canción, un vídeo, una imagen, una aplicación informática o un documento creado con el software Microsoft Word.
La forma de codificar ese tipo de datos a su forma binaria es diferente en cada caso. Por ejemplo, en el caso de las imágenes, cada punto (píxel) de la imagen se codifica utilizando su nivel de rojo, verde y azul. Así por ejemplo el código 11111111 00000000 000000, se correspondería a un píxel de color rojo puro (tiene a tope los niveles de rojo y totalmente apagados los niveles de verde y azul). De modo que una sola imagen requiere millones de dígitos binarios (es decir, millones de bits).
En cualquier caso, sea cual sea la información que estamos codificando en binario, para poder acceder a dicha información, el ordenador necesita un software que sepa como decodificar la misma. Esto significa qué debe de conocer qué significa cada dígito binario para traducirle a su forma original. Eso solo es posible utilizando el mismo software con el que se codificó, o bien otro software capaz de reconocer ese formato.
Por ejemplo, el software Microsoft Word graba los documentos que el usuario crea en formato docx. Si abrimos un documento así creado con un editor de texto (como el Bloc de Notas), no conseguiremos ver el archivo original. Pero si le abrimos con Word sí lo veremos. Word sabe como interpretar la información binaria del archivo. También podemos abrir el archivo con otro software como Google Docs, ya que es capaz de entender esa información.
Datos en forma de texto
El texto es quizá la forma más humana de representar información. Antes de la llegada del ordenador, la información se transmitía mediante documentos o libros en papel. Esa forma de transmitir es milenaria y sigue siendo la forma más habitual de transmitir información entre humanos; incluso con la tecnología actual, aplicaciones como Twitter (ahora X) o WhatsApp siguen usando el texto como formato fundamental para transmitir información.
En cuanto apareció la informática como la ciencia que se ocupó de la información digital, apareció también el problema de cómo codificar texto en forma de dígitos binarios para hacerlo representable en el ordenador. La forma habitual ha sido codificar cada carácter en una serie de números binarios. Así ejemplo el carácter A se codifica como 01000001 y la B el 01000010 (así se codifican usando el código ASCII).
El problema surgió por la falta de estandarización: la letra A se codificaba de diferente forma dependiendo del sistema que se utilice. El problema ocurre cuando queremos trasladar la información de un ordenador a otro.
Por ello, poco a poco aparecieron estándares que pretendían conseguir que todo el hardware y el software codificaran los caracteres de la misma forma, independientemente del sistema que utilizáramos.
¿Por qué hay tantos estándares?
Este problema sigue ocurriendo actualmente. Así, si escribimos en el Bloc de Notas de Windows un texto que contenga la letra eñe (como España), y luego nos vamos al terminal del sistema y mostramos ese archivo, veremos que la eñe no se lee bien en el terminal. La razón es que Windows utiliza la codificación llamada Windows 1252 y el terminal clásico (procedente del viejo sistema MS-DOS) usa normalmente (en España) la página de códigos CP 850.
¿Sigue siendo cierto esto a dia de hoy? ¿Cómo podemos mostrar el contenido de un documento TXT en el terminal de Windows?
Codificación de texto a binario
El código ASCII
El problema de la codificación de texto que hacía incompatibles los documentos de texto entre diferentes sistemas, se palió cuando se ideó en 1967 un código estándar por parte de la ANSI, la agencia de estándares norteamericana, dicho código es el llamado ASCII (American Standard Code for Information Interchange, código estándar americano para el intercambio de información). El código utiliza el alfabeto inglés (que utiliza caracteres latinos) y para codificar todos los posibles caracteres necesarios para escribir en inglés se ideó un sistema de 7 bits (con 7 bits se pueden representar 128 símbolos, suficientes para todas las letras del alfabeto inglés, en minúsculas y mayúsculas, caracteres de puntuación, símbolos especiales e incluso símbolos de control).
El código ASCII
| Núm. | Significado | ¿Control? | Núm | Sign. | ¿Control? |
|---|---|---|---|---|---|
| 0 | Carácter nulo | Sí | 64 | @ | No |
| 1 | Inicio de Encabezado | Sí, ctrl-A | 65 | A | No |
| 2 | Inicio de Texto | Sí, ctrl-B | 66 | B | No |
| 3 | Fin de Texto | Sí, ctrl-C | 67 | C | No |
| 4 | Fin de Transmisión | Sí, ctrl-D | 68 | D | No |
| 5 | Petición | Sí, ctrl-E | 69 | E | No |
| 6 | Confirmación | Sí, ctrl-F | 70 | F | No |
| 7 | Timbre | Sí, ctrl-G | 71 | G | No |
| 8 | Retroceso | Sí, ctrl-H | 72 | H | No |
| 9 | Tabulación horizontal | Sí, ctrl-I | 73 | I | No |
| 10 | Alimentación de línea | Sí, ctrl-J | 74 | J | No |
| 11 | Tabulación Vertical | Sí, ctrl-K | 75 | K | No |
| 12 | Alimentación de carro | Sí, ctrl-L | 76 | L | No |
| 13 | Retorno de carro | Sí, ctrl-M | 77 | M | No |
| 14 | Quitar mayúsculas | Sí, ctrl-N | 78 | N | No |
| 15 | Poner mayúsculas | Sí, ctrl-O | 79 | O | No |
| 16 | Data Link Escape | Sí, ctrl-P | 80 | P | No |
| 17 | Control Disp-1 | Sí, ctrl-Q | 81 | Q | No |
| 18 | Control Disp-2 | Sí, ctrl-R | 82 | R | No |
| 19 | Control Disp-3 | Sí, ctrl-S | 83 | S | No |
| 20 | Control Disp-4 | Sí, ctrl-T | 84 | T | No |
| 21 | Confirmación negativa | Sí, ctrl-U | 85 | U | No |
| 22 | Idle síncrono | Sí, ctrl-V | 86 | V | No |
| 23 | Fin de bloque de transmisión | Sí, ctrl-W | 87 | W | No |
| 24 | Cancelar | Sí, ctrl-X | 88 | X | No |
| 25 | Fin de mitad | Sí, ctrl-Y | 89 | Y | No |
| 26 | Sustituto | Sí, ctrl-Z | 90 | Z | No |
| 27 | Escape | Sí, ctrl-[ | 91 | [ | No |
| 28 | EOF | Sí, ctrl-\ | 92 | \ | No |
| 29 | Separador de Grupo | Sí, ctrl-] | 93 | ] | No |
| 30 | Separador de registro | Sí, ctrl-^ | 94 | ^ | No |
| 31 | Separador de unidad | Sí, ctrl-_ | 95 | _ | No |
| 32 | Espacio | No | 96 | ` | No |
| 33 | ! | No | 97 | a | No |
| 34 | “ | No | 98 | b | No |
| 35 | # | No | 99 | c | No |
| 36 | $ | No | 100 | d | No |
| 37 | % | No | 101 | e | No |
| 38 | & | No | 102 | f | No |
| 39 | ‘ | No | 103 | g | No |
| 40 | ( | No | 104 | h | No |
| 41 | ) | No | 105 | i | No |
| 42 | * | No | 106 | j | No |
| 43 | + | No | 107 | k | No |
| 44 | , | No | 108 | l | No |
| 45 | - | No | 109 | m | No |
| 46 | . | No | 110 | n | No |
| 47 | / | No | 111 | o | No |
| 48 | 0 | No | 112 | p | No |
| 49 | 1 | No | 113 | q | No |
| 50 | 2 | No | 114 | r | No |
| 51 | 3 | No | 115 | s | No |
| 52 | 4 | No | 116 | t | No |
| 53 | 5 | No | 117 | u | No |
| 54 | 6 | No | 118 | v | No |
| 55 | 7 | No | 119 | w | No |
| 56 | 8 | No | 120 | x | No |
| 57 | 9 | No | 121 | y | No |
| 58 | : | No | 122 | z | No |
| 59 | ; | No | 123 | { | No |
| 60 | < | No | 124 | | | No |
| 61 | = | No | 125 | } | No |
| 62 | > | No | 126 | ~ | No |
| 63 | ? | No | 127 | Borrado | No |
Pero, en países con lenguas distintas del inglés, surgió el problema de que parte de los símbolos de sus alfabetos quedaban fuera del ASCII (como ocurría con la letra eñe en España).
Por ello se diseñaron códigos de 8 bits que añadían 128 símbolos más y así aparecieron los llamados códigos ASCII extendidos. En ellos, los 128 primeros símbolos son los mismos de la tabla ASCII original y los 128 siguientes se corresponden a símbolos extra. Así por ejemplo el sistema MS-DOS utilizaba el llamado código 437, que incluía símbolos y caracteres de lenguas de Europa Occidental, además de caracteres útiles, como por ejemplo los que permitían hacer marcos y bordes en pantallas de texto. Por su parte, Windows usa el código 1252 y su consola clásica el 850.
8 bits siguen siendo insuficientes para codificar todos los alfabetos del planeta, por lo que cada zona usaba su propia tabla ASCII extendida. Ante el caos consiguiente, la ISO decidió normalizar dichas tablas de códigos para conseguir versiones estándares de los mismos. Lo hizo mediante las siguientes normas (cada una de las cuales definía una tabla de 256 caracteres; siempre los 128 primeros son el ASCII original y los siguientes 128 son los que se utilizan para los símbolos de la zona geográfica concreta)
- 8859-1. ASCII extendido para Europa Occidental (incluye símbolos como ñ o $\beta$)
- 8859-2. ASCII extendido para Europa Central y del Este (incluye símbolos como Ź o č)
- 8859-3. ASCII extendido para Europa del Sur (incluye símbolos como Ġ o Ï)
- 8859-4. ASCII extendido para Europa del Norte (incluye símbolos como ø o å)
- 8859-5. ASCII extendido para alfabeto cirílico (incluye símbolos como д o Ж)
- Etc.
Este problema sigue existiendo ahora, de modo que en los documentos de texto hay que indicar el sistema de codificación utilizado (el caso más evidente son las páginas web), para saber cómo interpretar los códigos del archivo. Así en 8859_1 el código 245 es el carácter õ y en 8859_2 es el carácter ő.
Unicode 🥳
La complicación de las tablas de código se intenta resolver gracias al sistema Unicode. Este sistema pretende aglutinar en una misma tabla de códigos, todos los caracteres de cualquier lengua del planeta. A cambio, cada carácter ya no ocupa un solo byte.
En Unicode a cada carácter se le asigna un número. Los 128 primeros siguen siendo los originales de ASCII para mantener la compatibilidad con los textos ya codificados. Los 128 siguientes se corresponden a los de la tabla ISO-8859_1, de modo que los textos codificados en esa tabla (la habitual de las lenguas de Europa Occidental) son compatibles con Unicode.
Para ello un organismo, también llamado Unicode, participado por numerosas e influyentes empresas informáticas y coordinado por la propia ISO, se encarga de definir la tabla de códigos y además ha definido tres formas fundamentales de codificar los caracteres:
- UTF-8. Es la más utilizada (y la más compleja de procesar para el ordenador). Para cada carácter se usa de uno a cuatro bytes, de forma que:
- Los caracteres pertenecientes que pertenecen al código ASCII original ocupan un byte.
- Dos bytes ocupan los pertenecientes a lenguas latinas, cirílicas, griegas, árabes, hebreas y otras de Europa, Asia Menor y Egipto.
- Tres para símbolos de los alfabetos en uso distintos de los del apartado anterior como el chino, el tailandés, coreano o el japonés.
- Cuatro para otros símbolos: por ejemplo los matemáticos y símbolos de lenguas muertas como el fenicio o el asirio o símbolos asiáticos de uso poco frecuente.
- UTF-16. Utiliza para cada carácter dos (para los dos primeros grupos del punto anterior) o cuatro caracteres (para el resto). Es más sencillo que el anterior
- UTF-32. La más sencilla de todas. Cada carácter independientemente del grupo al que pertenezca ocupa 4 caracteres. No se utiliza.
Ejemplo, el texto: 取得cigüeña𐐝 se codificaría de esta forma:
- En UTF-8:
- Como 取得 son símbolos chinos, ocupan 3 bytes cada uno
- Los caracteres c i g e a ocupan un solo byte cada uno al ser parte del ASCII original
- Los símbolos ü y ñ ocupan dos bytes
- El símbolo 𐐝 es persa antiguo y ocupa 4 bytes
- En total el texto ocupa 19 bytes
- En UTF-16:
- Los símbolos 取得 y 𐐝 ocupan 4 bytes cada uno
- El resto 2 bytes
- En total ocupan 26 bytes
- En UTF-32
- Todos ocupan 4 bytes
- Total: 40 bytes
Aunque UTF-8 es más compleja de procesar, en la actualidad es el claro estándar para codificar texto. Todos los sistemas y dispositivos actuales tienen capacidad para codificar de esta forma, por lo que parece que será el estándar definitivo en los años venideros.
Archivos binarios vs archivos de texto
Ventajas de los archivos binarios
- Ocupan menos espacio que los archivos de texto, ya que optimizan mejor su codificación a binario (por ejemplo el número 213 ocupa un solo byte y no tres como ocurriría si fuera un texto).
- Son más rápidos de manipular por parte del ordenador (se parecen más al lenguaje de la máquina).
- Permiten el acceso directo a los datos. Los archivos de texto siempre se manejan de forma secuencial, más lenta.
- Los datos no son fácilmente interpretables, lo que aporta cierta ocultación al contenido. El contenido de los archivos de texto es fácilmente interpretable.
- Los archivos binarios son ideales para almacenar contenido cifrado. Es posible cifrar el texto también, pero los algoritmos de cifrado son más seguros si se usan técnicas no textuales.
Ventajas de los archivos de texto
- Son ideales para almacenar datos para exportar e importar información a cualquier dispositivo electrónico.
- Son directamente modificables, sin tener que acudir a software específico.
- Su manipulación es más sencilla que la de los archivos binarios.
- Los dispositivos de red y software cliente permiten el paso de archivos de texto ya que no son susceptibles de contener virus informáticos.
Exportar/importar datos
El problema de compartir datos
Los problemas relacionados con el intercambio de información entre aplicaciones y máquinas informáticas es tan viejo como la propia informática.
El problema parte del hecho de haber realizado un determinado trabajo con un software en un determinado ordenador y después querer pasar dicho trabajo a otro software en ese u otro ordenador.
Los archivos binarios tienen la complicación de que para hacer ese proceso, el origen y el destino de los datos deben comprender cómo codificar y decodificar la información. Eso, en muchos casos, ha sido un gran problema que ha obligado a que todos los trabajadores y trabajadoras hayan tenido que adaptarse al software de la empresa. Por otro lado dificulta que las empresas migren a otros sistemas por el miedo a perder los datos.
En la informática actual eso es aún más problemático al tener una necesidad de disponibilidad global del trabajo a través de dispositivos muy distintos como tabletas, smartphones y otros dispositivos portátiles.
Por ello, poco a poco han aparecido formatos binarios de archivo que han sido estándares de facto (aunque la mayoría no han sido reconocidos por ningún organismo de estándares) como por ejemplo el formato documental PDF, el formato de imagen JPEG o el formato de audio MP3.
Pero el problema fundamental sigue estando en el software empresarial. El caso típico podría ser una empresa que utiliza en sus oficinas el software Apache Open Office y luego una persona de la empresa quiere abrir el documento en el que está trabajando en un dispositivo que tiene instalado Microsoft Office. Es probable que no pueda ver el trabajo en ambos dispositivos.
Este problema puede ocurrir incluso con el mismo software pero con versiones distintas (por ejemplo intentar abrir un documento creado con Microsoft Word 2016 en una máquina con Microsoft Word 2001).
De ahí que muchas veces la opción para exportar e importar datos sea utilizar conversores. Software con capacidad de convertir los datos de un formato a otro (por ejemplo de Word a Open Office; de MP3 a MOV de Apple, etc.).
El texto como el formato más versátil
Como ya se ha explicado, hay un formato de archivo que cualquier dispositivo es capaz de entender: el texto. La cuestión es que los archivos llamados de texto, solo son capaces de almacenar texto plano; es decir, solo texto sin indicar ningún formato o añadir información no textual.
Debido a la facilidad de ser leído con cualquier aparato, se intenta que el propio texto sirva para almacenar otros datos, es decir información que no es texto sin más. Evidentemente hay tipos de información prácticamente imposibles de representar en un archivo de texto, pero sí hay trucos para poder representar información de diversos tipos.
Para ello dentro del archivo habrá contenido que no se interpretará como texto sin más, sino que dentro del archivo habrá texto especial, marcado de una forma que permita darle otro significado. Es lo que se conoce como metadatos: datos que sirven para describir otros datos. En el caso de los archivos de texto, son palabras marcadas de forma especial que sirve para describir el texto al que acompaña.
Desde hace muchos años hay tres campos en los que está idea ha funcionado muy bien: en las bases de datos, en los procesadores de texto y, especialmente, en las páginas web. El éxito de Internet ha permitido espolear esta tecnología a otros muchos campos.
Hay que recordar un problema fundamental con el texto: al ser formato tan universal, y ser su contenido tan accesible, es peligroso como fuente para almacenar datos confidenciales, ya que queda fácilmente expuesto a cualquier persona.