Unicode-Inspektor
Sieh dir jedes Zeichen in einem Text mit seinem Codepunkt, seiner allgemeinen Kategorie, seinem Schriftsystem und seinen UTF-8-Bytes an. Der Inspektor macht versteckte Zeichen wie Leerzeichen mit Breite null, bedingte Trennstriche, Byte-Reihenfolge-Markierungen und bidirektionale Steuerzeichen sichtbar. Außerdem kennzeichnet er ähnlich aussehende Buchstaben aus dem Kyrillischen und Griechischen, die lateinische Buchstaben imitieren, und warnt vor Wörtern, die mehrere Schriftsysteme mischen – ein gängiger Trick bei Phishing-Domains und Spam.
Häufig gestellte Fragen
Was zeigt der Inspektor für jedes Zeichen an?
Seine Position, das Zeichen selbst, sofern es sichtbar ist, den Codepunkt in U+-Notation, einen Namen für Sonderzeichen wie Leerzeichen und Steuerzeichen, die allgemeine Unicode-Kategorie, etwa Lu für Großbuchstaben oder Zs für Leerzeichen, das zugehörige Schriftsystem, seine Bytes in UTF-8 und einen Hinweis, wenn das Zeichen versteckt ist, ein besonderes Leerzeichen oder ein Steuerzeichen ist oder einem anderen Zeichen ähnelt.
Welche versteckten Zeichen werden erkannt?
Leerzeichen mit Breite null, Verbindungs- und Nichtverbindungszeichen mit Breite null, Wortverbinder, bedingte Trennstriche, die Byte-Reihenfolge-Markierung, bidirektionale Markierungen, Einbettungen, Überschreibungen und Isolate, unsichtbare mathematische Operatoren, Hangul-Füllzeichen, Variationsselektoren und die Unicode-Tag-Zeichen, mit denen sich Text in einem Emoji oder Wort verbergen lässt.
Was ist ein ähnlich aussehendes Zeichen?
Ein Zeichen aus einem anderen Schriftsystem oder eine gestaltete Form, die wie ein einfacher ASCII-Buchstabe, eine Ziffer oder ein Zeichen aussieht, zum Beispiel das kyrillische а anstelle des lateinischen a, ein Zeichen in voller Breite, ein mathematischer fetter Buchstabe oder ein typografischer Gedankenstrich und Anführungszeichen. Der Hinweis nennt das Zeichen, das imitiert wird, damit du gefälschte Wörter und Domains erkennst.
Was bedeutet die Warnung vor gemischten Schriftsystemen?
Sie listet Wörter auf, die Buchstaben aus mehr als einem Schriftsystem enthalten, etwa Lateinisch und Kyrillisch in einem Wort. Echte Wörter enthalten selten solche Mischungen. Ein gemischtes Wort in einem Domainnamen, Benutzernamen oder einer E-Mail-Adresse ist daher ein starkes Anzeichen für einen Homografenangriff.
Warum werden Zeichen und Grapheme getrennt gezählt?
Ein Zeichen ist hier ein Unicode-Codepunkt. Ein Graphem ist das, was Leserinnen und Leser als ein Symbol wahrnehmen; es kann aus mehreren Codepunkten bestehen, zum Beispiel aus einem Buchstaben mit kombinierendem Akzent oder einem Emoji mit Hautton und Verbindungszeichen. Der Unterschied zeigt, wie viele Codepunkte sich hinter dem sichtbaren Text verbergen.
Was sagen mir die UTF-8- und UTF-16-Zählungen?
UTF-8-Bytes geben die Größe des Textes in Dateien, URLs und den meisten Datenbanken an. UTF-16-Codeeinheiten zählen JavaScript, Java und Windows als Länge einer Zeichenfolge; deshalb zählt ein Emoji dort oft als 2. Beschränkungen in Formularen und APIs beziehen sich meist auf eine dieser beiden Zahlen.
Was sind NFC und NFKC?
Das sind Unicode Normalisierungsformen. Text in NFC verwendet, sofern vorhanden, vorkomponierte Zeichen, sodass ein Buchstabe mit Akzent aus einem Codepoint besteht. NFKC ersetzt außerdem Kompatibilitätszeichen wie Ligaturen, Zeichen in voller Breite und hochgestellte Zeichen durch ihre einfachen Formen. Der Inspektor zeigt dir, ob dein Text bereits in der jeweiligen Form vorliegt.
Kann ich den Text ohne die unsichtbaren Zeichen erhalten?
Ja. Das strukturierte Ergebnis enthält den Text, aus dem alle unsichtbaren Zeichen und Steuerzeichen entfernt wurden; normale Leerzeichen, Tabulatoren und Zeilenumbrüche bleiben erhalten. Ähnlich aussehende Buchstaben werden nur gemeldet, nicht ersetzt, da sie in einer anderen Sprache korrekt sein können.
Wie viel Text kann ich untersuchen?
Bis zu 5,000 Zeichen auf einmal. Die Tabelle zeigt die ersten 1,000 Zeichen, während die Zählungen und Warnungen immer den gesamten Text abdecken.
Warum haben manche Zeichen keinen Namen?
Der Inspektor benennt Leerzeichen, Steuerzeichen, diakritische Zeichen und Satzzeichen, die leicht verwechselt werden können. Jedes andere Zeichen wird anhand seines Codepoints, seiner Kategorie und seines Schriftsystems identifiziert. Das reicht aus, um es in jeder Unicode-Referenz nachzuschlagen.