Toolrack

Unicode İnspektoru

Oflayn işləyirHeç nə yüklənmirPulsuz, qeydiyyatsız
KOD NÖQTƏSİ0
UTF-16 VAHİDİ0
UTF-8 BAYTI0
QRAFEM0
ŞÜBHƏLİLƏR0

Bu tabda yoxlanılır — mətn tabdan çıxmır.

Sətrin əslində nədən ibarət olduğunu görün: hər kod nöqtəsi adı ilə — CYRILLIC SMALL LETTER A, ZERO WIDTH SPACE, EGYPTIAN HIEROGLYPH A001 — aid olduğu blok, UTF-8 və UTF-16 baytları, işarələnmiş kirilcə oxşarlar, üstəlik dörd fərqli uzunluq — kod nöqtəsi, UTF-16 vahidi, UTF-8 baytı, qrafem — eyni mətnin üç sistemdə «üç uzunluğu olmasının» izahı.

Bir sətrə dörd xətkeş

Unicode simvolun nə olduğunu (kod nöqtəsi) necə saxlandığından (UTF-8 və ya UTF-16 baytları) və oxucunun nə gördüyündən (qrafem) ayırır. Sətir baqlarının çoxu bu xətkeşlərdən ikisinin qarışdırılmasıdır: baytla məhdudlanan baza sütunu hərflə sayılmış mətni rədd edir, substring surroqat cütün ortasından kəsir, kursor bayrağın yarısından addımlayır.

Cədvəl qəsdən bayt səviyyəsindədir: ə-nin yanında C9 99 görmək UTF-8 haqqında bir fəsil izahdan çox öyrədir — heçliyin yanında 200B görmək isə adətən iki saatlıq debug seansını bitirir.

Ad və qeyd fərqli suallardır

«Ad» sütunu simvolun nə olduğunu deyir, «Qeyd» sütunu isə niyə məhz bu simvola diqqət etmək lazım olduğunu. İkisi qəsdən ayrı saxlanılır. Ad xəbərdarlıq deyil — LATIN SMALL LETTER A və CYRILLIC SMALL LETTER A eyni dərəcədə hörmətli adlardır, amma domenə iki dəfə baxmağa yalnız ikincisi məcbur edir. Ona görə qeyd adın verə bilmədiyini daşıyır: qısa tirenin defis olmadığını, U+FEFF-in həm də bayt sırası nişanı olduğunu, bu hərfin oxşar olduğunu. Qeyd yalnız adı təkrarlayacaqsa, kənara çəkilir və sətri şübhəli kimi işarələyir.

Tez-tez verilən suallar

Sətrimin niyə üç fərqli uzunluğu var?

Çünki sistemlər fərqli şeyləri sayır: JavaScript-in .length-i UTF-16 vahidlərini (emoji 2-dir), verilənlər bazaları adətən UTF-8 baytlarını (ə 2, bayraq emojisi 8), istifadəçinin «bir hərf» dediyi isə qrafemdir — bir neçə kod nöqtəsi ola bilər. Bu səhifə dördünü də çap edir ki, uyğunsuzluq sirr olmaqdan çıxsın.

Sıfır enli boşluq nədir, mətnimə haradan düşüb?

U+200B mürəkkəbi olmayan qanuni sətir-kəsmə işarəsidir — formatlı veb səhifədən və ya çat tətbiqindən parça kopyalayanda yanınca gəlir. Sonra heç nəyə oxşaya-oxşaya bərabərlik yoxlamalarını, girişləri və SQL uyğunluqlarını sındırır. Şübhəlilər sayğacı əsasən bu bir simvol üçün var.

Kirilcə oxşar hücumu nədir?

а, е, о, с kimi hərflər latın a, e, o, c ilə piksel-eyni görünür, amma başqa kod nöqtələridir. Onlarla yazılmış domen və ya istifadəçi adı göz yoxlamasından keçir, hər sətir müqayisəsindən kəsilir — homoqraf fişinq məhz belə işləyir. İnspektor hər belə hərfi adı ilə göstərir.

é niyə gah bir, gah iki kod nöqtəsidir?

Unicode ikisinə də icazə verir: hazır U+00E9, ya da e üstəgəl birləşən vurğu. Eyni görünürlər, fərqli müqayisə olunurlar — fayl axtarışının mövcud faylı tapmamasının klassik səbəbi. Normallaşdırma (NFC) müqayisələri düzəldir; bu səhifə əlinizdə hansı formanın olduğunu göstərir.

Simvol adları haradan gəlir?

Unicode simvol bazasından — standartın özünün nəşr etdiyi fayldan. O, API-dən çəkilmir, səhifə ilə birlikdə gəlir: adlar oflayn işləyir və mətniniz haqqında heç nə heç yerə göndərilmir. 40.470 kod nöqtəsi adı ilə siyahıdadır; daha təxminən 119.000 simvolun — Çin ideoqrafları, Koreya hecaları, tanqut yazısı — adını standart qayda ilə qurur, bu səhifə də eyni qayda ilə. Şəxsi istifadə sahəsindəki simvolların və surroqatların isə heç bir adı yoxdur: standart onlara ad vermir, ona görə «Ad» xanası uydurma ilə doldurulmur, boş qalır. Buraxılış və nəşr tarixi cədvəlin altında yazılır, çünki boş «Ad» xanası həm də simvolun həmin anda hələ təyin olunmadığını bildirə bilər.

Adlar niyə cədvəldən bir an sonra görünür?

Ad cədvəli yarım meqabaytdır. O, bu aləti ilk açanda ayrıca fayl kimi yüklənir — beləcə saytın qalan səhifələri yüngül qalır, oxuduğunuz cədvəl isə axtarış tələb etməyən sütunlarla dərhal çəkilir. İlk ziyarətdən sonra brauzer onu keşdə saxlayır və alət şəbəkə olmadan da simvolları adlandırmağa davam edir.

Oxşar alətlər