Unicodeインスペクター
テキスト内のすべての文字について、コードポイント、一般カテゴリ、用字系、UTF-8のバイト数を確認できます。ゼロ幅スペース、ソフトハイフン、バイト順マーク、双方向制御文字などの隠し文字を見つけ、ラテン文字に似せたキリル文字やギリシャ文字を検出します。また、フィッシングドメインやスパムでよく使われる手口である、複数の用字系が混在する単語にも警告します。
よくある質問
インスペクターでは、各文字について何が表示されますか?
位置、表示可能な場合は文字そのもの、U+表記のコードポイント、スペースや制御文字などの特殊文字の名前、Lu(大文字)やZs(スペース)などのUnicode一般カテゴリ、属する用字系、UTF-8でのバイト数が表示されます。また、隠し文字、特殊なスペース、制御文字、類似文字の場合は注記が表示されます。
どのような隠し文字を検出しますか?
ゼロ幅スペース、ゼロ幅接合子と非接合子、ワード接合子、ソフトハイフン、バイト順マーク、双方向マーク、埋め込み、上書き、分離文字、不可視の数学演算子、ハングルフィラー、異体字セレクター、絵文字や単語の中にテキストを隠せるUnicodeタグ文字を検出します。
類似文字とは何ですか?
別の用字系に属する文字や、ASCIIの英字、数字、記号に似せた書体の文字です。たとえば、ラテン文字のaの代わりに使われるキリル文字のа、全角文字、数学用太字、活字用のダッシュや引用符などがあります。注記には、似せている元の文字が表示されるため、偽装された単語やドメインを見つけられます。
用字系混在の警告は何を意味しますか?
1つの単語にラテン文字とキリル文字など、複数の用字系の文字が含まれている単語を一覧表示します。実際の単語でこのような混在はまれなため、ドメイン名、ユーザー名、メールアドレスに用字系が混在した単語が含まれている場合、ホモグラフ攻撃の強い兆候です。
文字数と書記素数を別々に数えるのはなぜですか?
ここでの文字は、1つのUnicodeコードポイントです。書記素は、読者が1つの記号として見る単位で、結合アクセント付き文字や、肌の色と接合子を含む絵文字のように、複数のコードポイントで構成されることがあります。この違いから、見えているテキストの背後に隠れているコードポイントの数がわかります。
UTF-8とUTF-16の文字数から何がわかりますか?
UTF-8のバイト数は、ファイル、URL、ほとんどのデータベースにおけるテキストのサイズです。UTF-16のコード単位は、JavaScript、Java、Windowsが文字列の長さとして数える単位で、そのため絵文字は2として数えられることがよくあります。フォームやAPIの上限は、通常この2つの数値のいずれかを指します。
NFCとNFKCとは何ですか?
Unicodeは正規化形式です。NFCでは、存在する場合は合成済み文字が使われるため、アクセント付き文字は1つのコードポイントになります。NFKCではさらに、合字、全角文字、上付き文字などの互換文字も通常の形式に置き換えられます。このインスペクターでは、テキストがそれぞれの形式にすでに正規化されているかを確認できます。
隠れた文字を除いたテキストを取得できますか?
はい。構造化された結果には、すべての不可視文字と制御文字を除いたテキストが含まれます。通常のスペース、タブ、改行は保持されます。見た目が似た文字は、別の言語では正しい場合があるため、置き換えずに報告のみ行います。
一度にどれくらいのテキストを検査できますか?
一度に最大5,000文字まで検査できます。表には先頭から1,000文字が表示されますが、件数と警告は常にテキスト全体を対象とします。
名前のない文字があるのはなぜですか?
このインスペクターでは、見分けにくいスペース、制御文字、記号、句読点に名前を表示します。それ以外の文字はすべて、コードポイント、カテゴリ、用字系で特定します。これらがあれば、任意のUnicodeリファレンスで十分に調べられます。