Inspektor Unicode
Zobacz każdy znak w tekście wraz z jego punktem kodowym, kategorią ogólną, pismem i bajtami UTF-8. Inspektor wykrywa ukryte znaki, takie jak spacje o zerowej szerokości, miękkie łączniki, znaczniki kolejności bajtów i znaki sterujące kierunkiem tekstu, oznacza podobne do siebie litery cyrylickie i greckie, które naśladują litery łacińskie, oraz ostrzega przed słowami łączącymi różne pisma — częstą sztuczką w domenach phishingowych i spamie.
Najczęściej zadawane pytania
Co inspektor pokazuje dla każdego znaku?
Jego pozycję, sam znak, jeśli jest widoczny, punkt kodowy w notacji U+, nazwę znaków specjalnych, takich jak spacje i znaki sterujące, kategorię ogólną Unicode, na przykład Lu dla wielkich liter lub Zs dla spacji, pismo, do którego należy, bajty UTF-8 oraz informację, czy znak jest ukryty, jest specjalną spacją, znakiem sterującym lub znakiem podobnym do innego.
Które ukryte znaki są wykrywane?
Spacja o zerowej szerokości, łącznik i rozłącznik o zerowej szerokości, łącznik wyrazów, miękki łącznik, znacznik kolejności bajtów, znaczniki dwukierunkowości, osadzenia, nadpisania i izolaty, niewidoczne operatory matematyczne, wypełniacze Hangul, selektory wariantu oraz znaki tagów Unicode, które mogą ukrywać tekst w emoji lub słowie.
Czym jest znak podobny do innego?
To znak z innego pisma lub stylizowana forma, która wygląda jak zwykła litera, cyfra albo znak ASCII, na przykład cyrylickie а zamiast łacińskiego a, litera o pełnej szerokości, pogrubiona litera matematyczna albo typograficzny myślnik i cudzysłów. Informacja wskazuje zwykły znak, który jest naśladowany, dzięki czemu można wykryć podrobione słowa i domeny.
Co oznacza ostrzeżenie o mieszanych pismach?
Wymienia słowa zawierające litery z więcej niż jednego pisma, na przykład łacińskiego i cyrylickiego w jednym słowie. Prawdziwe słowa rzadko tak wyglądają, więc mieszane pismo w nazwie domeny, nazwie użytkownika lub adresie e-mail to mocny sygnał ataku homograficznego.
Dlaczego znaki i grafemy są liczone osobno?
Znak to tutaj jeden punkt kodowy Unicode. Grafem to symbol widziany przez czytelnika jako całość; może składać się z kilku punktów kodowych, na przykład litery ze znakiem diakrytycznym lub emoji z odcieniem skóry i łącznikami. Ta różnica pokazuje, ile punktów kodowych kryje się za widocznym tekstem.
Co mówią mi liczby bajtów UTF-8 i jednostek kodowych UTF-16?
Bajty UTF-8 określają rozmiar tekstu w plikach, adresach URL i większości baz danych. Jednostki kodowe UTF-16 są tym, co JavaScript, Java i Windows liczą jako długość ciągu znaków; dlatego emoji często liczy się tam jako 2. Limity w formularzach i API zwykle odnoszą się do jednej z tych dwóch wartości.
Czym są NFC i NFKC?
Są to formy normalizacji Unicode. Tekst w NFC używa gotowych znaków, jeśli są dostępne, więc litera ze znakiem diakrytycznym zajmuje jeden punkt kodowy. NFKC zastępuje też znaki równoważne, takie jak ligatury, litery o pełnej szerokości i indeksy górne, ich zwykłymi odpowiednikami. Inspektor informuje, czy tekst jest już w każdej z tych form.
Czy mogę uzyskać tekst bez ukrytych znaków?
Tak. Ustrukturyzowany wynik zawiera tekst ze wszystkimi niewidocznymi znakami i znakami sterującymi usuniętymi, a zwykłe spacje, tabulatory i podziały wiersza pozostają. Podobne litery są tylko zgłaszane, a nie zastępowane, ponieważ w innym języku mogą być poprawne.
Ile tekstu mogę sprawdzić?
Maksymalnie 5,000 znaków naraz. Tabela pokazuje pierwsze 1,000 znaków, a liczby i ostrzeżenia zawsze dotyczą całego tekstu.
Dlaczego niektóre znaki nie mają nazwy?
Inspektor podaje nazwy spacji, znaków sterujących, znaków diakrytycznych i interpunkcyjnych, które łatwo pomylić. Każdy inny znak jest identyfikowany przez punkt kodowy, kategorię i pismo, co wystarcza, by znaleźć go w dowolnym źródle referencyjnym Unicode.