Unicode – kontrola Unicode
Zobrazte si každý znak v texte spolu s jeho kódovým bodom, všeobecnou kategóriou, písmom a bajtmi UTF-8. Kontrola odhalí skryté znaky, ako sú medzery s nulovou šírkou, mäkké spojovníky, značky poradia bajtov a obojsmerné riadiace znaky. Označí písmená z cyriliky a gréčtiny, ktoré vyzerajú ako latinské, a upozorní na slová kombinujúce rôzne písma, čo je bežný trik pri phishingových doménach a spame.
Často kladené otázky
Čo kontrola zobrazuje pri každom znaku?
Jeho pozíciu, samotný znak, ak je viditeľný, kódový bod v zápise U+, názov špeciálnych znakov, ako sú medzery a riadiace znaky, všeobecnú kategóriu Unicode, napríklad Lu pre veľké písmená alebo Zs pre medzery, písmo, do ktorého patrí, bajty UTF-8 a poznámku, ak je znak skrytý, ide o špeciálnu medzeru, riadiaci znak alebo znak podobný inému.
Ktoré skryté znaky sa rozpoznávajú?
Medzera s nulovou šírkou, spojovač a oddeľovač s nulovou šírkou, spojovač slov, mäkký spojovník, značka poradia bajtov, obojsmerné značky, vloženia, prepísania a izolácie, neviditeľné matematické operátory, výplňové znaky Hangul, selektory variantov a znakové značky Unicode, ktoré môžu skryť text v emoji alebo slove.
Čo je znak podobný inému znaku?
Znak z iného písma alebo štylizovaný znak, ktorý vyzerá ako bežné písmeno, číslica či znamienko ASCII, napríklad cyrilské а namiesto latinského a, široký znak, matematické tučné písmeno alebo typografická pomlčka či úvodzovka. Poznámka uvádza bežný znak, ktorý napodobňuje, takže môžete odhaliť podvrhnuté slová a domény.
Čo znamená upozornenie na zmiešané písmo?
Zoznam slov, ktoré obsahujú písmená z viac než jedného písma, napríklad latinku a cyriliku v jednom slove. V skutočných slovách sa to vyskytuje zriedka, takže zmiešané písmo v názve domény, používateľskom mene alebo e-mailovej adrese je výrazným znakom homografického útoku.
Prečo sa počet znakov a grafém uvádza osobitne?
Znak je tu jeden kódový bod Unicode. Graféma je to, čo čitateľ vníma ako jeden symbol; môže pozostávať z viacerých kódových bodov, napríklad z písmena s kombinujúcim diakritickým znamienkom alebo z emoji s odtieňom pokožky a spojovačmi. Rozdiel ukazuje, koľko kódových bodov sa skrýva za viditeľným textom.
Čo mi hovoria počty UTF-8 a UTF-16?
Počet bajtov UTF-8 určuje veľkosť textu v súboroch, adresách URL a väčšine databáz. Kódové jednotky UTF-16 počítajú JavaScript, Java a Windows ako dĺžku reťazca, preto sa emoji často počíta ako 2. Limity vo formulároch a API sa zvyčajne vzťahujú na jedno z týchto dvoch čísel.
Čo sú NFC a NFKC?
Ide o normalizačné formy Unicode. Text v NFC používa predkomponované znaky, ak existujú, takže písmeno s diakritikou tvorí jeden kódový bod. NFKC navyše nahrádza kompatibilitné znaky, ako sú ligatúry, písmená v plnej šírke a horné indexy, ich základnými podobami. Inšpektor vám ukáže, či je váš text už v každej z týchto foriem.
Môžem získať text bez skrytých znakov?
Áno. Štruktúrovaný výsledok obsahuje text so všetkými neviditeľnými a riadiacimi znakmi odstránenými, pričom bežné medzery, tabulátory a zalomenia riadkov zostanú zachované. Podobne vyzerajúce písmená sa iba nahlásia, nenahradia sa, pretože v inom jazyku môžu byť správne.
Koľko textu môžem skontrolovať?
Naraz až 5,000 znakov. Tabuľka zobrazuje prvých 1,000 znakov, zatiaľ čo počty a upozornenia sa vždy vzťahujú na celý text.
Prečo niektoré znaky nemajú názov?
Inšpektor pomenúva medzery, riadiace znaky, diakritické znamienka a interpunkciu, ktoré sa dajú ľahko zameniť. Každý ďalší znak je identifikovaný podľa kódového bodu, kategórie a písma, čo stačí na jeho vyhľadanie v akejkoľvek referencii Unicode.