Een "lijkt hetzelfde maar is niet gelijk"-string-bug diagnosticeren. Onzichtbare karakters vinden (zero-width space, BOM, RTL override) verstopt in copy-pasted tekst. Bytes vs code points vs UTF-16 code units tellen voor opslag in een fixed-width kolom. Een emoji inspecteren om te zien welke ZWJ-sequence hij gebruikt. Homoglyph-aanvallen spotten in domeinnamen of usernames. Exacte UTF-8 byte sequences genereren voor een hex dump.

Code point — de abstracte Unicode-waarde, geschreven U+XXXX . Er zijn 1,1 miljoen ervan; de hoogste in gebruik is U+10FFFF. UTF-8 — hoe die code point als bytes wordt gecodeerd in moderne bestanden (1–4 bytes elk). UTF-16 code units — wat JavaScript-strings ( s.length ) en Java-strings tellen. Een code point boven U+FFFF (de meeste emoji) neemt twee UTF-16-units (een surrogate pair). Categorie — Unicode's general category-afkorting: L=letter, N=number, P=punctuation, S=symbol, Z=separator, C=control/format/private.

Unicode Inspector

Plak tekst → tabel van elke code point. Hex, decimaal, UTF-8 bytes, categorie. Spot onzichtbare tekens.

Invoer

Resultaat

Waarvoor is dit?

"Waarom vergelijkt deze string niet gelijk?" "Waarom wordt deze username afgewezen als al bezet terwijl die vrij lijkt?" "Waarom breekt deze filename mijn shell?" Het antwoord is bijna altijd: de bytes matchen niet met wat je ogen zien. Twee karakters kunnen er identiek uitzien maar verschillende code points zijn (Latijnse "a" vs Cyrillische "а"); whitespace kan non-breaking spaces, zero-width joiners of right-to-left overrides verbergen; een emoji kan één code point of vier zijn. Deze tool ontleedt elke tekst tot zijn individuele Unicode code points, met hex, decimaal, UTF-8 byte sequence, categorie en een naam waar bekend.

Wanneer gebruiken

Een "lijkt hetzelfde maar is niet gelijk"-string-bug diagnosticeren.
Onzichtbare karakters vinden (zero-width space, BOM, RTL override) verstopt in copy-pasted tekst.
Bytes vs code points vs UTF-16 code units tellen voor opslag in een fixed-width kolom.
Een emoji inspecteren om te zien welke ZWJ-sequence hij gebruikt.
Homoglyph-aanvallen spotten in domeinnamen of usernames.
Exacte UTF-8 byte sequences genereren voor een hex dump.

De output lezen

Code point — de abstracte Unicode-waarde, geschreven U+XXXX. Er zijn 1,1 miljoen ervan; de hoogste in gebruik is U+10FFFF.
UTF-8 — hoe die code point als bytes wordt gecodeerd in moderne bestanden (1–4 bytes elk).
UTF-16 code units — wat JavaScript-strings (s.length) en Java-strings tellen. Een code point boven U+FFFF (de meeste emoji) neemt twee UTF-16-units (een surrogate pair).
Categorie — Unicode's general category-afkorting: L=letter, N=number, P=punctuation, S=symbol, Z=separator, C=control/format/private.

Veelvoorkomende valkuilen

Lengte is ambigu. "👨‍👩‍👧" heeft 1 grapheme cluster, 5 code points, 11 UTF-16 units en 18 UTF-8 bytes — allemaal "lengtes" die iets zou kunnen rapporteren.
Zero-width joiner sequences vs sequence selectors. Veel emoji zijn ZWJ-sequences: family-, profession-, skin-tone-varianten. Een ZWJ herordenen of strippen verandert wat er gerenderd wordt.
Normalisatie doet ertoe. "café" kan e+◌́ (NFD) of é (NFC) zijn. Ze zien er identiek uit maar zijn verschillende bytes; databases en vergelijkingscode moeten naar dezelfde vorm normaliseren.
Right-to-left overrides zijn gevaarlijk. Een filename met U+202E kan zijn display-volgorde omkeren — waardoor resu‮txt.exe in een file browser op resuexe.txt lijkt. Gebruikt in phishing.
De namen-kolom is partieel. Een echte Unicode-database heeft namen voor elke code point; de inspector levert alleen namen voor control-karakters en gangbare format/whitespace-karakters waar de naam het meest nuttig diagnostisch is.
Surrogate halves horen niet standalone te verschijnen. Als je U+D800–U+DFFF in de output ziet, is de input een malformed UTF-16 string (lone surrogate). De meeste API's weigeren dat naar UTF-8 te encoderen.