Inspetor de Caracteres Unicode

Inspecione strings Unicode caractere por caractere no navegador.

Sem uploadsSem cadastroResultados instantâneos
Unicode e UTF-8/16Largura Zero e Homóglifos100% Local • Zero Envios
Inspecionar Caracteres
Motor offline prontoEspaço de trabalho 100% privado no navegador • Sem uploads para a nuvem
100% Privado • Sem Upload de Arquivos para Servidor

Por que usar o Inspetor de Caracteres Unicode gratuito do Utiliome?

Criado do zero para privacidade estrita, execução instantânea e sem atrito. Sem assinaturas, paywalls ou cadastro.

Detecção de Invisíveis e Controles Bidi

Revela caracteres de controle e formatação não imprimíveis, incluindo U+200B ZWSP, U+FEFF BOM, U+00A0 NBSP, U+00AD Soft Hyphen e substituições bidirecionais Trojan Source (U+202A a U+202E, U+2066 a U+2069).

Detalhamento de Bytes UTF-8 e UTF-16LE/BE

Exibe sequências exatas de bytes hexadecimais UTF-8 (1 a 4 bytes conforme RFC 3629) ao lado de code units UTF-16LE e UTF-16BE, expondo pares substitutos (surrogate pairs) para planos suplementares acima de U+FFFF.

Métricas de Grafemas UAX #29 vs Code Units

Compara clusters de grafemas estendidos com contagens escalares Unicode, code units UTF-16 do JavaScript e tamanho em bytes UTF-8 para diagnosticar bugs de truncamento de strings e estouro de colunas em bancos de dados.

Diagnóstico de Homóglifos e Privacidade Local

Sinaliza caracteres visualmente semelhantes (confusables UTS #39), como glifos cirílicos vs latinos e pontuação tipográfica inteligente, 100% na memória do navegador para que tokens, logs e códigos nunca saiam do seu dispositivo.

Utiliome vs Alternativas Tradicionais em Nuvem

Compare nosso motor WebAssembly local contra ferramentas de nuvem legadas.

Recurso Utiliome (Navegador Local) Conversores de Nuvem Legados
Detecção de Invisíveis e Controles Bidi Revela caracteres de controle e formatação não imprimíveis, incluindo U+200B ZWSP, U+FEFF BOM, U+00A0 NBSP, U+00AD Soft Hyphen e substituições bidirecionais Trojan Source (U+202A a U+202E, U+2066 a U+2069). Opções limitadas sem personalização avançada
Detalhamento de Bytes UTF-8 e UTF-16LE/BE Exibe sequências exatas de bytes hexadecimais UTF-8 (1 a 4 bytes conforme RFC 3629) ao lado de code units UTF-16LE e UTF-16BE, expondo pares substitutos (surrogate pairs) para planos suplementares acima de U+FFFF. Requer ferramentas externas ou ajuste manual
Privacidade e Processamento 100% local no navegador (zero upload para servidor) Envia os dados para servidores externos na nuvem
Preço e Cadastro 100% gratuito para sempre e sem criar conta Exige cadastro de conta ou assinatura paga
Como funciona

Como usar o Inspetor de Caracteres Unicode em 3 passos simples

Nenhuma instalação necessária. Tudo roda diretamente dentro do seu navegador.

1

Cole o Texto ou Solte um Arquivo

Cole uma string, identificador, entrada de log ou envie um arquivo UTF-8 contendo suspeitas de caracteres de largura zero, sequências de emojis quebradas ou tamanhos de bytes inesperados.

2

Inspecione os Metadados por Caractere

Analise o code point escalar U+XXXX de cada caractere, nome oficial Unicode, Categoria Geral, bloco atribuído, bytes hexadecimais UTF-8 e UTF-16LE/BE e alertas de segurança.

3

Isole Anomalias ou Copie o Texto Limpo

Filtre diretamente caracteres de formatação invisíveis ou homóglifos confusos, remova code points não imprimíveis indesejados ou copie a tabela de inspeção em nível de bytes para relatórios de bugs.

Inspecionando Caracteres Ocultos, Pares Substitutos e Homóglifos

Resposta Rápida: Cole qualquer string para decompô-la em valores escalares Unicode individuais, expondo caracteres invisíveis como o espaço de largura zero U+200B ou U+FEFF BOM, sequências de emojis ZWJ com múltiplos code points e homóglifos não ASCII confusos ao lado de suas sequências exatas de bytes UTF-8 e UTF-16.

Falhas em parsers, erros de validação de assinatura de webhooks e consultas SQL que não retornam resultados frequentemente têm origem em caracteres que são renderizados de forma idêntica — ou completamente invisível — em emuladores de terminal e editores de código. Considere uma variável de ambiente copiada de um portal de documentação ou mensagem de chat que parece visualmente idêntica a api_key=prod:

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

Ao passar essa string de 14 unidades pelo Inspetor de Caracteres Unicode, três anomalias distintas ocultas dentro de um texto aparentemente ASCII puro são reveladas: um Byte Order Mark inicial (<BOM>), um homóglifo cirílico substituindo o a latino e um Espaço de Largura Zero embutido (<ZWSP>):

[
  {
    "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"
  }
]

O inspetor também esclarece por que emojis compostos por múltiplos code points reportam comprimentos tão diferentes entre ambientes de execução. Inspecionar o único emoji visível de tecnólogo 👨💻 revela três code points escalares unidos por <ZWJ> (U+200D), ocupando 5 code units UTF-16 em JavaScript e 11 bytes em 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

Mecânica de Codificação Unicode, Limites de Grafemas e Riscos de Segurança

Resposta Rápida: O Unicode mapeia 1.112.064 valores escalares válidos em 17 planos para UTF-8 de largura variável (1 a 4 bytes conforme RFC 3629) ou UTF-16 (2 ou 4 bytes via pares substitutos conforme RFC 2781). Discrepâncias entre clusters de grafemas, formas de normalização canônica e controles bidi invisíveis causam bugs em parsers e vulnerabilidades de segurança.

Valores Escalares, Bits de Prefixo UTF-8 (RFC 3629) e Substitutos UTF-16 (RFC 2781)

O espaço de códigos Unicode abrange de U+0000 a U+10FFFF em 17 planos de 65.536 code points cada. Excluindo as 2.048 posições de substitutos (surrogates) reservadas (U+D800 a U+DFFF), existem exatamente 1.112.064 valores escalares Unicode:

  • UTF-8 codifica o Latim Básico do Plano 0 (U+0000 a U+007F) em 1 byte (0xxxxxxx), U+0080 a U+07FF em 2 bytes (110xxxxx 10xxxxxx), os demais caracteres do Plano Multilíngue Básico ou BMP (U+0800 a U+FFFF) em 3 bytes (1110xxxx 10xxxxxx 10xxxxxx), e os planos suplementares astrais (U+10000 a U+10FFFF) em 4 bytes (11110xxx 10xxxxxx 10xxxxxx 10xxxxxx). Como os bytes de continuação sempre começam com 10, o UTF-8 é autossincronizável e nunca contém bytes nulos (0x00) dentro de caracteres não nulos.
  • UTF-16 representa os valores escalares do BMP diretamente como uma code unit de 16 bits. Caracteres de U+10000 a U+10FFFF subtraem 0x10000 para gerar um deslocamento de 20 bits (0x00000 a 0xFFFFF), dividindo os 10 bits superiores em um substituto alto/inicial (0xD800 a 0xDBFF) e os 10 bits inferiores em um substituto baixo/final (0xDC00 a 0xDFFF). O UTF-16BE serializa o byte mais significativo primeiro (D8 3D DC 80), enquanto o UTF-16LE inverte a ordem dos bytes dentro de cada unidade de 16 bits (3D D8 80 DC).

Equivalência Canônica (UAX #15) e Segmentação de Grafemas (UAX #29)

Textos visualmente idênticos frequentemente possuem representações de bytes subjacentes diferentes. Segundo o Unicode Standard Annex #15 (UAX #15), o caractere é pode ser armazenado na Forma de Normalização C (NFC) como o valor pré-composto U+00E9 (UTF-8 C3 A9) ou na Forma de Normalização D (NFD) como a base U+0065 (e) seguida por U+0301 (COMBINING ACUTE ACCENT, Categoria Geral Mn, UTF-8 65 CC 81). Sistemas de arquivos do macOS normalizam nomes de arquivos para NFD, enquanto Linux, Windows e envios de formulários web usam NFC por padrão — fazendo com que comparações ingênuas de strings byte a byte, buscas de chaves no S3 e verificações HMAC falhem se não forem normalizadas antes.

Da mesma forma, fatiar strings pelo índice UTF-16 (str.slice(0, 10)) pode separar um substituto alto de seu substituto baixo (produzindo substitutos órfãos que são serializados como caracteres de substituição U+FFFD em UTF-8) ou separar um caractere base de seus diacríticos combinantes, seletores de variação (U+FE0E, U+FE0F) ou indicadores de bandeiras regionais (U+1F1E6 a U+1F1FF). Os caracteres percebidos pelo usuário devem ser segmentados ao longo dos limites de clusters de grafemas estendidos do UAX #29.

Trojan Source (`CVE-2021-42574`) e Caracteres Confusos do UTS #39

Duas classes de caracteres no Unicode representam riscos críticos para a segurança de aplicações:

  1. Substituições Bidirecionais (Cf): Os code points U+202A a U+202E (<LRE>, <RLE>, <PDF>, <LRO>, <RLO>) e os isoladores U+2066 a U+2069 (<LRI>, <RLI>, <FSI>, <PDI>) instruem os renderizadores de texto a inverter a ordem de exibição sem alterar a ordem lógica na memória. Atacantes usam controles bidi não finalizados para disfarçar verificações condicionais ativas dentro de comentários ou literais de string (CVE-2021-42574).
  2. Falsificação por Homóglifos (UTS #39): Caracteres visualmente idênticos entre diferentes sistemas de escrita (U+0430 а cirílico, U+03BF ο grego, U+FF21 A de largura total) permitem que invasores forjem nomes de domínio enganosos (ataques homográficos de IDN), sombreiem variáveis no código-fonte (CVE-2021-42694) ou burlem filtros de palavras-chave.

Inspetor de Caracteres Unicode vs Ferramentas Similares de Texto e Codificação

Resposta Rápida: Use o Inspetor de Caracteres Unicode para auditar uma string caractere por caractere em busca de códigos de controle ocultos, homóglifos e sequências de bytes. Use a Tabela ASCII para consultas estáticas de códigos de 0 a 255, o Conversor Unicode para conversão em massa de texto para code points ou a Ferramenta de Escape Unicode para literais de código-fonte.

Escolha o utilitário certo no grupo de ferramentas de caracteres e codificação dependendo se você está diagnosticando uma string desconhecida, consultando uma tabela de bytes padrão ou transformando literais de string para código-fonte:

Recurso Inspetor de Caracteres Unicode Tabela ASCII Conversor Unicode Ferramenta de Escape Unicode
Fluxo Principal Auditoria diagnóstica por caractere de strings coladas ou arquivos Tabela de referência interativa para códigos de byte 0–255 Conversão em lote entre texto, code points e arrays de bytes Escape e unescape de literais de string em código-fonte
Alertas Ocultos e Bidi Destaca <ZWSP>, <BOM>, <NBSP> e códigos bidi Trojan Source Lista códigos de controle C0 (0–31, 127) e C1 (128–159) Codifica controles numericamente sem selos de segurança Converte caracteres não ASCII em escapes visíveis \uXXXX
Detecção de Homóglifos Sinaliza homóglifos entre alfabetos (UTS #39) e pontuação tipográfica Cobre apenas US-ASCII de 7 bits e ISO-8859-1 Latin-1 Sem análise de alfabetos confusos Sem análise de alfabetos confusos
Diferença Grafema vs UTF-16 Exibe grafemas UAX #29, pontos escalares, unidades UTF-16 e bytes UTF-8 Linhas fixas de 1 byte (8-bit) na tabela Gera fluxos completos em UTF-8, UTF-16 e UTF-32 Preserva ou pareia substitutos UTF-16 (\uD83D\uDE80 vs \u{1F680})
Sintaxe de Escape de Linguagem Exibe code points hexadecimais brutos (U+XXXX) e valores de bytes Exibe escapes C/JS, notação caret (^M) e entidades HTML Formata listas de code points em hexadecimal/decimal Modos dedicados de escape para JS, JSON, Python, CSS, Rust e HTML
  • Acesse a Tabela ASCII quando precisar de uma tabela de consulta rápida para máscaras de bits binárias US-ASCII de 7 bits (0–127) e Latin-1 Estendido (128–255), códigos octais e notação caret de terminal.
  • Use o Conversor Unicode quando quiser converter em lote um bloco inteiro de texto em listas contínuas U+XXXX ou fluxos hexadecimais UTF-8/UTF-16/UTF-32.
  • Use a Ferramenta de Escape Unicode ao preparar ou decodificar sequências \uXXXX, \u{XXXXX}, \xXX ou CSS \XXXXXX para payloads JSON e arquivos de código-fonte, ou abra o Contador de Caracteres ao verificar textos para limites de meta tags de SEO e segmentos de SMS GSM-7/UCS-2.
Perguntas frequentes

FAQ e Guia Técnico do Inspetor de Caracteres Unicode

Tudo o que você precisa saber sobre o inspetor de caracteres unicode online e gratuito do Utiliome.

Por que String.length no JavaScript retorna 2 ou mais para um único caractere visível?

JavaScript, Java e C# medem o comprimento da string em code units UTF-16 de 16 bits em vez de valores escalares Unicode ou clusters de grafemas estendidos UAX #29. Qualquer caractere fora do Plano Multilíngue Básico (acima de U+FFFF, como o foguete U+1F680) requer um par substituto (surrogate pair) alto e baixo, resultando em um .length igual a 2. Sequências de emojis compostos unidos com U+200D Zero Width Joiner (<ZWJ>) e U+FE0F Variation Selector-16 combinam múltiplos valores escalares em um único glifo visual, frequentemente gerando valores de .length entre 5 e 11.

Quais caracteres Unicode invisíveis mais quebram arquivos JSON, YAML e código-fonte?

Os quatro vilões mais comuns são o U+00A0 No-Break Space (<NBSP>, frequentemente digitado por acidente via Option+Espaço no macOS, quebrando a indentação YAML e parsers SQL), o U+FEFF Byte Order Mark (<BOM>, inserido no meio do conteúdo ao concatenar arquivos salvos por editores do Windows), o U+200B Zero Width Space (<ZWSP>, copiado de documentos rich-text, PDFs ou apps de chat para dentro de tokens de API) e as aspas curvas tipográficas (U+201C e U+201D) no lugar das aspas retas ASCII (U+0022).

Como detectar ataques de substituição bidirecional Trojan Source em trechos de código?

O Trojan Source (CVE-2021-42574) explora nove caracteres de controle bidirecional da Categoria Geral Cf do 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>) e U+2069 (<PDI>) — para reordenar visualmente os tokens do código-fonte de forma que instruções executáveis pareçam comentadas durante a revisão humana. Colar o código suspeito no inspetor revela cada code point bidi oculto em seu índice exato.

Por que duas strings acentuadas visualmente idênticas falham nas verificações de igualdade estrita?

O Unicode permite múltiplas representações canonicamente equivalentes segundo o UAX #15. Por exemplo, 'é' na Forma de Normalização C (NFC) é um único valor escalar pré-composto U+00E9 (bytes UTF-8 C3 A9), enquanto na Forma de Normalização D (NFD) consiste em dois valores escalares: U+0065 ('e') seguido pelo Acento Agudo Combinante U+0301 (bytes UTF-8 65 CC 81). Inspecionar ambas as strings expõe as sequências de code points divergentes para que você possa aplicar .normalize('NFC') antes de gerar hashes ou comparar.

O texto colado ou arquivo enviado é transmitido para algum servidor?

Não. A segmentação de caracteres, extração de code points, cálculo de bytes UTF-8 e UTF-16LE/BE e verificação de homóglifos confusos rodam inteiramente no seu navegador usando APIs nativas de JavaScript no lado do cliente. Chaves de API, logs de produção e trechos de código privado permanecem estritamente na memória local.