Unicode-inspektör
Se varje tecken i en text med dess kodpunkt, allmänna kategori, skriftsystem och UTF-8-byte. Inspektören visar dolda tecken som nollbreddsblanksteg, mjuka bindestreck, byteordningsmarkörer och dubbelriktade kontroller, flaggar förväxlingsbara bokstäver från kyrilliska och grekiska som liknar latinska bokstäver och varnar för ord som blandar skriftsystem, ett vanligt knep i nätfiskedomäner och skräppost.
Vanliga frågor
Vad visar inspektören för varje tecken?
Dess position, själva tecknet om det är synligt, kodpunkten i U+-notation, ett namn för specialtecken som blanksteg och kontroller, den allmänna kategorin enligt Unicode, till exempel Lu för versaler eller Zs för blanksteg, vilket skriftsystem det tillhör, dess byte i UTF-8 och en notering när tecknet är dolt, ett specialblanksteg, ett kontrolltecken eller ett förväxlingsbart tecken.
Vilka dolda tecken upptäcks?
Nollbreddsblanksteg, nollbreddssammanfogare och nollbreddsskiljare, ordsammanfogare, mjukt bindestreck, byteordningsmarkören, dubbelriktade markörer, inbäddningar, åsidosättningar och isolat, osynliga matematiska operatorer, Hangul-fyllnadstecken, variationsväljare och Unicode-taggtecken som kan dölja text inuti en emoji eller ett ord.
Vad är ett förväxlingsbart tecken?
Ett tecken från ett annat skriftsystem eller en stiliserad form som liknar en vanlig ASCII-bokstav, siffra eller symbol, till exempel det kyrilliska а i stället för det latinska a, en fullbreddsbokstav, en matematisk fetstilad bokstav eller ett typografiskt tankstreck och citattecken. Noteringen anger vilket vanligt tecken det imiterar, så att du kan upptäcka förfalskade ord och domäner.
Vad betyder varningen om blandade skriftsystem?
Den listar ord som innehåller bokstäver från fler än ett skriftsystem, till exempel latin och kyrilliska i samma ord. Riktiga ord gör sällan det, så ett blandat ord i ett domännamn, ett användarnamn eller ett e-postmeddelande är ett tydligt tecken på en homografattack.
Varför räknas tecken och grafem separat?
Ett tecken här är en Unicode-kodpunkt. Ett grafem är det som läsaren uppfattar som en symbol, vilket kan bestå av flera kodpunkter, till exempel en bokstav med en kombinerande accent eller en emoji med hudton och sammanfogare. Skillnaden visar hur många kodpunkter som döljer sig bakom den synliga texten.
Vad säger antalet UTF-8- och UTF-16-enheter?
UTF-8-byte anger textens storlek i filer, URL:er och de flesta databaser. UTF-16-kodenheter är vad JavaScript, Java och Windows räknar som längden på en sträng, vilket är anledningen till att en emoji ofta räknas som 2 där. Gränser i formulär och API:er syftar vanligtvis på ett av dessa två tal.
Vad är NFC och NFKC?
De är Unicode normaliseringsformer. Text i NFC använder förkomponerade tecken där sådana finns, så en bokstav med accent består av en kodpunkt. NFKC ersätter även kompatibilitetstecken som ligaturer, tecken med full bredd och upphöjda tecken med deras vanliga former. Inspektören visar om texten redan är i respektive form.
Kan jag få texten utan de dolda tecknen?
Ja. Det strukturerade resultatet innehåller texten med alla osynliga tecken och kontrolltecken borttagna, medan vanliga mellanslag, tabbar och radbrytningar behålls. Liknande bokstäver rapporteras bara, de ersätts inte, eftersom de kan vara korrekta på ett annat språk.
Hur mycket text kan jag inspektera?
Upp till 5,000 tecken åt gången. Tabellen visar de första 1,000 tecknen, medan antalen och varningarna alltid gäller hela texten.
Varför saknar vissa tecken namn?
Inspektören namnger blanksteg, kontrolltecken, markeringar och skiljetecken som är lätta att förväxla. Alla andra tecken identifieras med sin kodpunkt, kategori och sitt skriftsystem, vilket räcker för att slå upp dem i valfri Unicode-referens.