Unicode – inspektor
Zobrazte si každý znak v textu spolu s jeho kódovým bodem, obecnou kategorií, písmem a bajty UTF-8. Inspektor odhaluje skryté znaky, jako jsou mezery nulové šířky, měkké spojovníky, značky pořadí bajtů a obousměrné řídicí znaky, označuje písmena podobná latince z cyrilice a řečtiny a upozorňuje na slova kombinující různá písma, což je častý trik při phishingu a spamu.
Často kladené otázky
Co inspektor zobrazuje u každého znaku?
Jeho pozici, samotný znak, pokud je viditelný, kódový bod v zápisu U+, název speciálních znaků, jako jsou mezery a řídicí znaky, obecnou kategorii Unicode, například Lu pro velká písmena nebo Zs pro mezery, písmo, ke kterému patří, bajty v UTF-8 a poznámku, pokud je znak skrytý, jde o speciální mezeru, řídicí znak nebo znak podobný jinému.
Které skryté znaky se detekují?
Mezera nulové šířky, spojovač a nespojovač nulové šířky, spojovač slov, měkký spojovník, značka pořadí bajtů, obousměrné značky, vkládání, přepisování a izolace, neviditelné matematické operátory, výplňové znaky Hangul, selektory variant a znaky Unicode, které mohou skrýt text uvnitř emoji nebo slova.
Co je znak podobný jinému?
Znak z jiného písma nebo stylizovaná podoba, která vypadá jako běžné písmeno, číslice nebo symbol ASCII; například cyrilické а místo latinského a, písmeno v plné šířce, matematické tučné písmeno nebo typografická pomlčka či uvozovka. Poznámka uvádí běžný znak, který napodobuje, takže můžete odhalit podvržená slova a domény.
Co znamená upozornění na kombinaci písem?
Uvádí slova obsahující písmena z více písem, například latinky a cyrilice v jednom slově. Skutečná slova to dělají jen zřídka, takže smíšené písmo v názvu domény, uživatelském jménu nebo e-mailové adrese je silným signálem útoku pomocí homografů.
Proč se znaky a grafémy počítají zvlášť?
Znakem se zde rozumí jeden kódový bod Unicode. Grafém je to, co čtenář vnímá jako jeden symbol; může se skládat z několika kódových bodů, například z písmene s kombinujícím diakritickým znaménkem nebo z emoji s odstínem pleti a spojovači. Tento rozdíl ukazuje, kolik kódových bodů se skrývá za viditelným textem.
Co mi říkají počty UTF-8 a UTF-16?
Bajty UTF-8 určují velikost textu v souborech, URL a většině databází. Kódové jednotky UTF-16 počítají jako délku řetězce JavaScript, Java a Windows; proto emoji často mají hodnotu 2. Limity ve formulářích a API se obvykle vztahují k jednomu z těchto dvou čísel.
Co jsou NFC a NFKC?
Jde o Unicode normalizační formy. Text v NFC používá předkomponované znaky, pokud existují, takže písmeno s diakritikou tvoří jeden bod kódu. NFKC navíc nahrazuje znaky kompatibility, jako jsou ligatury, písmena v plné šířce a horní indexy, jejich běžnými podobami. Inspektor vám ukáže, zda je váš text již v každé z těchto forem.
Lze získat text bez skrytých znaků?
Ano. Strukturovaný výsledek obsahuje text se všemi neviditelnými a řídicími znaky odstraněnými, zatímco běžné mezery, tabulátory a zalomení řádků zůstávají zachované. Podobně vypadající písmena se pouze uvádějí, nenahrazují se, protože v jiném jazyce mohou být správná.
Kolik textu mohu zkontrolovat?
Až 5,000 znaků najednou. Tabulka zobrazuje prvních 1,000 znaků, zatímco počty a upozornění se vždy vztahují k celému textu.
Proč některé znaky nemají název?
Inspektor pojmenovává mezery, řídicí znaky, značky a interpunkci, které lze snadno zaměnit. Všechny ostatní znaky jsou určeny bodem kódu, kategorií a písmem, což stačí k jejich vyhledání v libovolné referenci Unicode.