Pemeriksa Aksara Unicode

Periksa rentetan Unicode aksara demi aksara dalam pelayar.

Tiada muat naikTanpa daftarHasil segera
Unicode & UTF-8/16Lebar-Sifar & Homoglif100% Tempatan • Tiada Muat Naik
Periksa Aksara
Enjin luar talian sediaRuang kerja pelayar 100% peribadi • Tanpa muat naik awan
100% Peribadi • Tanpa Muat Naik Fail ke Pelayan

Mengapa Guna Pemeriksa Aksara Unicode Percuma Utiliome?

Dibina khas untuk privasi ketat, pelaksanaan serta-merta, dan tanpa kerumitan. Tiada langganan atau pendaftaran akaun.

Pengesanan Aksara Halimunan & Bidi Override

Menyerlahkan aksara kawalan dan format tidak bercetak termasuk U+200B ZWSP, U+FEFF BOM, U+00A0 NBSP, U+00AD Soft Hyphen, serta penggantian dua hala Trojan Source (U+202A hingga U+202E, U+2066 hingga U+2069).

Pecahan Bait UTF-8 & UTF-16LE/BE

Memaparkan jujukan bait UTF-8 perenambelasan yang tepat (1 hingga 4 bait mengikut RFC 3629) bersama unit kod UTF-16LE dan UTF-16BE, mendedahkan pasangan pengganti (surrogate pairs) untuk satah tambahan di atas U+FFFF.

Metrik Grafem UAX #29 lwn Unit Kod

Membandingkan gugusan grafem lanjutan dengan kiraan skalar Unicode, unit kod UTF-16 JavaScript dan panjang bait UTF-8 untuk mendiagnosis pepijat pemotongan rentetan serta limpahan lajur pangkalan data.

Diagnostik Homoglyph & Privasi Sifar Muat Naik

Menandakan aksara seiras yang mengelirukan mengikut UTS #39 seperti glif Cyril lwn Latin dan tanda baca pintar tipografi sepenuhnya di bahagian klien dalam memori pelayar supaya token, log dan kod tidak pernah meninggalkan peranti anda.

Utiliome berbanding Alat Awan Tradisional

Bandingkan enjin WebAssembly tempatan kami dengan alat awan lama.

Ciri Utiliome (Penyemak Imbas Tempatan) Penukar Awan Lama
Pengesanan Aksara Halimunan & Bidi Override Menyerlahkan aksara kawalan dan format tidak bercetak termasuk U+200B ZWSP, U+FEFF BOM, U+00A0 NBSP, U+00AD Soft Hyphen, serta penggantian dua hala Trojan Source (U+202A hingga U+202E, U+2066 hingga U+2069). Pilihan terhad tanpa penyesuaian lanjutan
Pecahan Bait UTF-8 & UTF-16LE/BE Memaparkan jujukan bait UTF-8 perenambelasan yang tepat (1 hingga 4 bait mengikut RFC 3629) bersama unit kod UTF-16LE dan UTF-16BE, mendedahkan pasangan pengganti (surrogate pairs) untuk satah tambahan di atas U+FFFF. Memerlukan alat luaran atau pemprosesan manual
Privasi & Pemprosesan Data 100% setempat dalam pelayar (sifar muat naik pelayan) Memuat naik data ke pelayan awan pihak ketiga
Harga & Keperluan Akaun 100% percuma selamanya tanpa pendaftaran Memerlukan pendaftaran akaun atau langganan berbayar
Cara ia berfungsi

Cara Menggunakan Pemeriksa Aksara Unicode dalam 3 Langkah Mudah

Pemasangan perisian tidak diperlukan. Semuanya berjalan terus dalam penyemak imbas anda.

1

Tampal Teks atau Lepaskan Fail

Tampal rentetan, pengecam, entri log atau muat naik fail UTF-8 yang disyaki mengandungi aksara lebar sifar (zero-width), jujukan emoji rosak atau panjang bait yang tidak dijangka.

2

Periksa Metadata Setiap Aksara

Semak titik kod skalar U+XXXX setiap aksara, nama rasmi Unicode, Kategori Umum (General Category), peruntukan blok, bait hex UTF-8 dan UTF-16LE/BE serta lencana amaran keselamatan.

3

Asingkan Anomali atau Salin Output Bersih

Tapis terus kepada aksara format halimunan atau homoglyph yang mengelirukan, buang titik kod tidak bercetak yang tidak diingini, atau salin jadual pemeriksaan tahap bait untuk laporan pepijat.

Memeriksa Aksara Tersembunyi, Pasangan Surrogate dan Homoglyph

Jawapan Pantas: Tampal sebarang rentetan untuk menghuraikannya kepada nilai skalar Unicode individu, mendedahkan aksara halimunan seperti U+200B Zero Width Space atau U+FEFF BOM, jujukan emoji ZWJ berbilang titik kod, serta aksara bukan ASCII seiras yang mengelirukan bersama jujukan bait UTF-8 dan UTF-16 yang tepat.

Kegagalan penghurai (parser), ketidakpadanan tandatangan webhook dan carian SQL yang gagal sering berpunca daripada aksara yang dipaparkan secara serupa—atau halimunan sepenuhnya—dalam emulator terminal dan editor kod. Pertimbangkan pembolehubah persekitaran yang disalin daripada portal dokumentasi atau mesej sembang yang kelihatan serupa secara visual dengan api_key=prod:

Visual rendering:  api_key=prod
String.length:     14 (expected 12)
UTF-8 byte length: 19 bytes (expected 12 bytes)

Menjalankan rentetan 14 unit tersebut melalui Pemeriksa Aksara Unicode mendedahkan tiga anomali berbeza yang tersembunyi di dalam teks yang kelihatan seperti ASCII biasa: Byte Order Mark (<BOM>) di hadapan, homoglyph Cyril yang menggantikan huruf Latin a, dan Zero Width Space (<ZWSP>) yang terbenam:

[
  {
    "index": 0,
    "badge": "<BOM>",
    "codePoint": "U+FEFF",
    "name": "ZERO WIDTH NO-BREAK SPACE",
    "category": "Cf (Format)",
    "block": "Arabic Presentation Forms-B",
    "utf8Hex": "EF BB BF",
    "utf16BE": "FE FF",
    "utf16LE": "FF FE",
    "warning": "Invisible zero-width format character"
  },
  {
    "index": 1,
    "glyph": "а",
    "codePoint": "U+0430",
    "name": "CYRILLIC SMALL LETTER A",
    "category": "Ll (Lowercase Letter)",
    "block": "Cyrillic",
    "utf8Hex": "D0 B0",
    "utf16BE": "04 30",
    "utf16LE": "30 04",
    "warning": "Confusable homoglyph for Latin U+0061 ('a')"
  },
  {
    "index": 2,
    "glyph": "p",
    "codePoint": "U+0070",
    "name": "LATIN SMALL LETTER P",
    "category": "Ll (Lowercase Letter)",
    "block": "Basic Latin",
    "utf8Hex": "70",
    "utf16BE": "00 70",
    "utf16LE": "70 00",
    "warning": null
  },
  {
    "index": 8,
    "badge": "<ZWSP>",
    "codePoint": "U+200B",
    "name": "ZERO WIDTH SPACE",
    "category": "Cf (Format)",
    "block": "General Punctuation",
    "utf8Hex": "E2 80 8B",
    "utf16BE": "20 0B",
    "utf16LE": "0B 20",
    "warning": "Invisible zero-width format character"
  }
]

Pemeriksa ini juga menjelaskan sebab emoji berbilang titik kod melaporkan panjang yang sangat berbeza merentas persekitaran masa jalan (runtime). Memeriksa satu emoji ahli teknologi yang kelihatan tunggal 👨💻 mendedahkan tiga titik kod skalar yang dicantumkan oleh <ZWJ> (U+200D), mengambil 5 unit kod UTF-16 dalam JavaScript dan 11 bait dalam UTF-8:

Grapheme clusters (UAX #29): 1   -> [ "👨💻" ]
Unicode scalar code points:  3   -> U+1F468 (Man) + U+200D (<ZWJ>) + U+1F4BB (Laptop)
UTF-16 code units (.length): 5   -> D83D DC68 + 200D + D83D DCBB
UTF-8 encoded bytes:         11  -> F0 9F 91 A8 + E2 80 8D + F0 9F 92 BB

Mekanik Pengekodan Unicode, Sempadan Grafem dan Risiko Keselamatan

Jawapan Pantas: Unicode memetakan 1,112,064 nilai skalar sah merentas 17 satah ke dalam UTF-8 lebar boleh ubah (1 hingga 4 bait mengikut RFC 3629) atau UTF-16 (2 atau 4 bait melalui pasangan surrogate mengikut RFC 2781). Percanggahan antara gugusan grafem, bentuk penormalan kanonik dan kawalan bidi halimunan menyebabkan pepijat penghurai serta kerentanan keselamatan.

Nilai Skalar, Bit Awalan UTF-8 (RFC 3629) dan Surrogate UTF-16 (RFC 2781)

Ruang kod Unicode merangkumi U+0000 hingga U+10FFFF merentas 17 satah (planes) yang masing-masing mempunyai 65,536 titik kod. Tidak termasuk 2,048 kedudukan surrogate terpelihara (U+D800 hingga U+DFFF), terdapat tepat 1,112,064 nilai skalar Unicode:

  • UTF-8 mengekod Plane 0 Basic Latin (U+0000 hingga U+007F) dalam 1 bait (0xxxxxxx), U+0080 hingga U+07FF dalam 2 bait (110xxxxx 10xxxxxx), baki aksara Basic Multilingual Plane (BMP) (U+0800 hingga U+FFFF) dalam 3 bait (1110xxxx 10xxxxxx 10xxxxxx), dan satah astral tambahan (U+10000 hingga U+10FFFF) dalam 4 bait (11110xxx 10xxxxxx 10xxxxxx 10xxxxxx). Oleh sebab bait sambungan sentiasa bermula dengan 10, UTF-8 menyegerak sendiri dan tidak pernah mengandungi bait nol (0x00) di dalam aksara bukan nol.
  • UTF-16 mewakili nilai skalar BMP secara terus sebagai satu unit kod 16-bit. Aksara dari U+10000 hingga U+10FFFF menolak 0x10000 untuk menghasilkan ofset 20-bit (0x00000 hingga 0xFFFFF), membahagikan 10 bit atas kepada lead/high surrogate (0xD800 hingga 0xDBFF) dan 10 bit bawah kepada trail/low surrogate (0xDC00 hingga 0xDFFF). UTF-16BE mensirikan bait paling bererti dahulu (D8 3D DC 80), manakala UTF-16LE menterbalikkan susunan bait dalam setiap unit 16-bit (3D D8 80 DC).

Kesetaraan Kanonik (UAX #15) dan Pensegmenan Grafem (UAX #29)

Teks yang kelihatan serupa secara visual kerap mempunyai perwakilan bait asas yang berbeza. Di bawah Unicode Standard Annex #15, é boleh disimpan dalam Normalization Form C (NFC) sebagai U+00E9 proniaga (UTF-8 C3 A9) atau dalam Normalization Form D (NFD) sebagai aksara asas U+0065 (e) diikuti oleh U+0301 (COMBINING ACUTE ACCENT, Kategori Umum Mn, UTF-8 65 CC 81). Sistem fail macOS menormalkan nama fail ke arah bentuk NFD manakala Linux, Windows dan penyerahan borang pelayar menggunakan lalai NFC—menyebabkan perbandingan rentetan demi bait yang naif, carian kunci objek S3 dan semakan HMAC gagal melainkan dinormalkan terlebih dahulu.

Begitu juga, memotong rentetan mengikut indeks UTF-16 (str.slice(0, 10)) boleh memutuskan high surrogate daripada low surrogate pasangannya (menghasilkan surrogate tunggal tidak berpasangan yang disirikan kepada aksara penggantian U+FFFD dalam UTF-8) atau memisahkan aksara asas daripada diakritik gabungannya, pemilih variasi (U+FE0E, U+FE0F), atau penunjuk bendera serantau (U+1F1E6 hingga U+1F1FF). Aksara yang dilihat pengguna mesti disegmenkan mengikut sempadan gugusan grafem lanjutan UAX #29.

Trojan Source (`CVE-2021-42574`) dan Aksara Mengelirukan UTS #39

Dua kelas aksara dalam Unicode mendatangkan bahaya keselamatan aplikasi yang kritikal:

  1. Penggantian Dua Hala (Cf): Titik kod U+202A hingga U+202E (<LRE>, <RLE>, <PDF>, <LRO>, <RLO>) dan pengasing U+2066 hingga U+2069 (<LRI>, <RLI>, <FSI>, <PDI>) mengarahkan pemapar teks untuk menterbalikkan susunan paparan tanpa mengubah susunan memori logik. Penyerang menggunakan kawalan bidi yang tidak ditamatkan untuk menyembunyikan semakan bersyarat aktif di dalam ulasan atau literal rentetan (CVE-2021-42574).
  2. Pemalsuan Homoglyph (UTS #39): Aksara seiras merentas skrip (U+0430 Cyril а, U+03BF Greek ο, U+FF21 Fullwidth A) membolehkan penyerang memalsukan nama domain yang mengelirukan (serangan homograf IDN), membayangi pembolehubah dalam kod sumber (CVE-2021-42694), atau memintas senarai sekatan kata kunci.

Pemeriksa Aksara Unicode lwn Alat Teks dan Pengekodan Berkaitan

Jawapan Pantas: Gunakan Pemeriksa Aksara Unicode untuk mengaudit rentetan aksara demi aksara bagi mengesan kod kawalan tersembunyi, homoglyph dan jujukan bait. Gunakan Jadual ASCII untuk carian kod statik 0 hingga 255, Penukar Unicode untuk penukaran pukal teks ke titik kod, atau Alat Unicode Escape untuk literal escape khusus bahasa.

Pilih utiliti yang betul dalam kelompok aksara dan pengekodan berdasarkan sama ada anda sedang mendiagnosis rentetan yang tidak diketahui, menyemak carta bait piawai atau mengubah literal rentetan untuk kod sumber:

Keupayaan Pemeriksa Aksara Unicode Jadual ASCII Penukar Unicode Alat Unicode Escape
Aliran Kerja Utama Audit diagnostik setiap aksara bagi rentetan atau fail yang ditampal Carta rujukan interaktif untuk kod bait 0–255 Penukaran pukal antara teks, titik kod dan tatasusunan bait Melakukan escape dan unescape literal rentetan kod sumber
Amaran Tersembunyi & Bidi Menyerlahkan <ZWSP>, <BOM>, <NBSP>, dan kod bidi Trojan Source Menyenaraikan kod kawalan C0 (0–31, 127) dan C1 (128–159) Mengekod kod kawalan secara berangka tanpa lencana keselamatan Menukar aksara bukan ASCII kepada escape \uXXXX yang boleh dilihat
Pengesanan Homoglyph Menandakan aksara seiras merentas skrip UTS #39 dan tanda baca pintar Merangkumi US-ASCII 7-bit dan ISO-8859-1 Latin-1 sahaja Tiada analisis skrip mengelirukan Tiada analisis skrip mengelirukan
Beza Grafem lwn UTF-16 Menunjukkan grafem UAX #29, titik skalar, unit UTF-16 dan bait UTF-8 Baris jadual 1-bait (8-bit) tetap Mengeluarkan strim penuh UTF-8, UTF-16 dan UTF-32 Mengekalkan atau memasangkan surrogate UTF-16 (\uD83D\uDE80 lwn \u{1F680})
Sintaks Escape Bahasa Memaparkan titik kod hex mentah (U+XXXX) dan nilai bait Menunjukkan escape C/JS, tatatanda caret (^M), dan entiti HTML Memformat senarai titik kod hex/perpuluhan Mod escape khusus untuk JS, JSON, Python, CSS, Rust dan HTML
  • Beralih kepada Jadual ASCII apabila anda memerlukan carta carian pantas untuk topeng bit binari US-ASCII 7-bit (0–127) dan Extended Latin-1 (128–255), kod perlapanan serta tatatanda caret terminal.
  • Gunakan Penukar Unicode apabila anda ingin menukar keseluruhan blok teks secara pukal kepada senarai U+XXXX berterusan atau strim perenambelasan UTF-8/UTF-16/UTF-32.
  • Gunakan Alat Unicode Escape apabila menyediakan atau menyahkod jujukan \uXXXX, \u{XXXXX}, \xXX, atau CSS \XXXXXX untuk muatan JSON dan fail sumber, atau buka Pengira Aksara apabila menyemak teks terhadap had tag meta SEO dan segmen SMS GSM-7/UCS-2.
FAQ

Soalan Lazim dan Panduan Teknikal Pemeriksa Aksara Unicode

Semua yang anda perlu tahu tentang penggunaan pemeriksa aksara unicode dalam talian percuma Utiliome.

Mengapakah String.length dalam JavaScript memulangkan nilai 2 atau lebih untuk satu aksara yang kelihatan tunggal?

JavaScript, Java dan C# mengukur panjang rentetan dalam unit kod UTF-16 16-bit dan bukannya nilai skalar Unicode atau gugusan grafem lanjutan UAX #29. Sebarang aksara di luar Basic Multilingual Plane (di atas U+FFFF, seperti U+1F680 Roket) memerlukan pasangan high dan low surrogate, memberikannya nilai .length sebanyak 2. Jujukan emoji komposit yang dicantumkan dengan U+200D Zero Width Joiner (<ZWJ>) dan U+FE0F Variation Selector-16 menggabungkan berbilang nilai skalar menjadi satu glif visual, sering menghasilkan nilai .length antara 5 hingga 11.

Aksara Unicode halimunan manakah yang paling kerap merosakkan JSON, YAML dan kod sumber?

Empat punca paling lazim ialah U+00A0 No-Break Space (<NBSP>, kerap ditaip secara tidak sengaja melalui Option+Space pada macOS, merosakkan inden YAML dan penghurai SQL), U+FEFF Byte Order Mark (<BOM>, terbenam di tengah-tengah strim apabila menggabungkan fail yang disimpan oleh editor Windows), U+200B Zero Width Space (<ZWSP>, disalin daripada dokumen teks kaya, PDF atau aplikasi sembang ke dalam token API), dan tanda petikan pintar tipografi (U+201C dan U+201D) yang menggantikan tanda petikan lurus ASCII (U+0022).

Bagaimanakah cara saya mengesan serangan penggantian dua hala Trojan Source dalam cebisan kod?

Trojan Source (CVE-2021-42574) mengeksploitasi sembilan aksara kawalan dua hala Kategori Umum Cf Unicode—U+202A (<LRE>), U+202B (<RLE>), U+202C (<PDF>), U+202D (<LRO>), U+202E (<RLO>), U+2066 (<LRI>), U+2067 (<RLI>), U+2068 (<FSI>), dan U+2069 (<PDI>)—untuk menyusun semula token sumber secara visual supaya pernyataan boleh laku kelihatan seperti diulas semasa semakan manusia. Menampal kod yang mencurigakan ke dalam pemeriksa akan mendedahkan setiap titik kod bidi tersembunyi pada indeks aksaranya yang tepat.

Mengapakah dua rentetan beraksen yang kelihatan serupa secara visual gagal dalam semakan kesetaraan ketat (strict equality)?

Unicode membenarkan berbilang perwakilan yang setara secara kanonik di bawah UAX #15. Sebagai contoh, 'é' dalam Normalization Form C (NFC) ialah satu nilai skalar proniaga U+00E9 (bait UTF-8 C3 A9), manakala dalam Normalization Form D (NFD) ia terdiri daripada dua nilai skalar: U+0065 ('e') diikuti oleh Combining Acute Accent U+0301 (bait UTF-8 65 CC 81). Memeriksa kedua-dua rentetan akan mendedahkan jujukan titik kod yang berbeza supaya anda boleh menggunakan .normalize('NFC') sebelum melakukan pemagaran (hashing) atau perbandingan.

Adakah teks yang ditampal atau data yang dimuat naik dihantar ke mana-mana pelayan?

Tidak. Pensegmenan aksara, pengekstrakan titik kod, pengiraan bait UTF-8 dan UTF-16LE/BE serta semakan homoglyph yang mengelirukan dijalankan sepenuhnya dalam pelayar anda menggunakan API JavaScript bahagian klien asli. Kunci API, log pengeluaran dan cebisan kod sumber peribadi kekal sepenuhnya di dalam memori setempat.