Unicode-inspecteur
Bekijk elk teken in een stuk tekst met het codepunt, de algemene categorie, het schrift en de UTF-8-bytes. De inspecteur onthult verborgen tekens zoals spaties van nul breedte, zachte afbreekstreepjes, bytevolgordemarkeringen en bidirectionele besturingstekens, markeert op elkaar lijkende letters uit het Cyrillische en Griekse alfabet die Latijnse letters nabootsen, en waarschuwt voor woorden waarin meerdere schriften worden gemengd. Dat is een veelgebruikte truc bij phishingdomeinen en spam.
Veelgestelde vragen
Wat toont de inspecteur voor elk teken?
De positie, het teken zelf als het zichtbaar is, het codepunt in U+-notatie, een naam voor speciale tekens zoals spaties en besturingstekens, de algemene categorie van Unicode, zoals Lu voor hoofdletters of Zs voor spaties, het schrift waartoe het behoort, de bytes in UTF-8 en een melding wanneer het teken verborgen is, een speciale spatie of een besturingsteken is, of op een ander teken lijkt.
Welke verborgen tekens worden gedetecteerd?
Spaties van nul breedte, joiners en non-joiners van nul breedte, woordjoiners, zachte afbreekstreepjes, de bytevolgordemarkering, bidirectionele markeringen, insluitingen, overschrijvingen en isolaten, onzichtbare wiskundige operatoren, Hangul-vulteken, variatieselectoren en de tagtekens van Unicode die tekst in een emoji of woord kunnen verbergen.
Wat is een op een ander teken lijkend teken?
Een teken uit een ander schrift of een gestileerde vorm die lijkt op een gewoon ASCII-teken, cijfer of leesteken, bijvoorbeeld de Cyrillische а in plaats van de Latijnse a, een teken met volledige breedte, een vetgedrukte wiskundige letter of een typografisch streepje of aanhalingsteken. De melding vermeldt welk gewone teken het nabootst, zodat u vervalste woorden en domeinen kunt herkennen.
Wat betekent de waarschuwing voor gemengde schriften?
De waarschuwing toont woorden met letters uit meer dan één schrift, zoals Latijnse en Cyrillische letters in één woord. Dat komt zelden voor in echte woorden, dus een gemengd woord in een domeinnaam, gebruikersnaam of e-mailadres is een sterk teken van een homograafaanval.
Waarom worden tekens en grafeemclusters afzonderlijk geteld?
Een teken is hier één codepunt van Unicode. Een grafeemcluster is wat een lezer als één symbool ziet; dat kan uit meerdere codepunten bestaan, bijvoorbeeld een letter met een gecombineerd accent of een emoji met een huidskleur en joiners. Het verschil laat zien hoeveel codepunten er achter de zichtbare tekst verborgen zitten.
Wat vertellen de UTF-8- en UTF-16-aantallen me?
UTF-8-bytes geven de grootte van de tekst in bestanden, URL's en de meeste databases aan. UTF-16-code-eenheden zijn wat JavaScript, Java en Windows tellen als de lengte van een tekenreeks. Daarom telt een emoji daar vaak als 2. Limieten in formulieren en API's verwijzen meestal naar een van deze twee aantallen.
Wat zijn NFC en NFKC?
Het zijn Unicode normalisatievormen. Tekst in NFC gebruikt vooraf samengestelde tekens waar die bestaan, zodat een letter met accent één codepunt is. NFKC vervangt ook compatibiliteitstekens, zoals ligaturen, letters met volledige breedte en superscripts, door hun gewone vorm. De inspector laat zien of je tekst al in elk van deze vormen staat.
Kan ik de tekst zonder de verborgen tekens krijgen?
Ja. Het gestructureerde resultaat bevat de tekst waaruit alle onzichtbare en besturingstekens zijn verwijderd, terwijl gewone spaties, tabs en regeleinden behouden blijven. Letters die op elkaar lijken worden alleen gemeld, niet vervangen, omdat ze in een andere taal correct kunnen zijn.
Hoeveel tekst kan ik inspecteren?
Tot 5,000 tekens per keer. De tabel toont de eerste 1,000 tekens, terwijl de tellingen en waarschuwingen altijd voor de volledige tekst gelden.
Waarom hebben sommige tekens geen naam?
De inspector benoemt spaties, besturingstekens, markeringen en leestekens die makkelijk met elkaar te verwarren zijn. Elk ander teken wordt aangeduid met het codepunt, de categorie en het schrift; daarmee kun je het in elke Unicode-referentie opzoeken.