字符编码的坑很多,一个简陋的 Unicode 强迫症可视化工具

2023-02-13 09:04:34 +08:00
 garywill

不知道叫什么名好,用丑陋的 web UI 做的这个工具,估且叫《 Unicode 强迫症可视化》

字符编码的坑很多。(太多了,具体看 readme 里写了一堆): https://github.com/garywill/cc-visualize

unihan 的坑也有,像之前的什么“入职”字的事:

汉字本身的繁简异体关系也多

有谁踩了坑了呢? rime 和 fcitx 这两个开源输入法的 table 中就有坑: https://github.com/garywill/cc-visualize/discussions

那些搜狗、苹果之类的输入法里肯定也有。自己尝试把同形汉字字符输入搜索引擎,可以发现中文网络上的内容已经含有那些坑在里面了

2690 次点击
所在节点    Node.js
7 条回复
WindProtect
2023-02-13 12:03:59 +08:00
不错,赞一个
tramm
2023-02-13 13:20:35 +08:00
顶, 有没有那种看起来是汉字实际不是的那种编码呢?

之前有个人离职, 接手他的代码, 有好多字虽然看着正常, 但是特么根本搜不到.

就比如: ⼯作模式(工), 累计⾥程(里)...看起来正常, 但是在 IDE 中搜不到, 看了下提交记录, 显示的是个方框里面一个符号 :P
shijingshijing
2023-02-13 13:25:40 +08:00
不错,前些时帮人弄 pdf 检索工具,提取文本,那些个 pdf 有法语的文档,有德语的,有混合希腊字母的,还有 ASCII 码编码的特殊字符,也有 Unicode 编码的特殊字符,本来以为是一个 Python 脚本就能搞定的小 Case ,后来可把我坑惨了。
garywill
2023-02-13 14:14:24 +08:00
@tramm 应该已经涵盖了你说的那些的。下次你放进去试试,把所有选项勾上
cnbatch
2023-02-14 16:18:47 +08:00
这个工具很有用,正常文字混用康熙部首实在很不应该,因为会导致文本搜索功能无效化

某些输入法害人害惨了,我猜测那个读论文系列的作者肯定也是用了这类有坑的输入法,他发的每篇博文几乎都有康熙部首混进去代替正常文字
cnbatch
2023-02-14 16:31:55 +08:00
找到了,那个一分钟读论文系列,随便找两个:
/t/911818
/t/912321
只要用 Windows 就能看得出明显不同,比如搜索“生产力”,是无法匹配标题的,因为标题就用了康熙部首
chengyiqun
2023-02-15 15:32:12 +08:00
看起来很有用, 赞一个

这是一个专为移动设备优化的页面(即为了让你能够在 Google 搜索结果里秒开这个页面),如果你希望参与 V2EX 社区的讨论,你可以继续到 V2EX 上打开本讨论主题的完整版本。

https://www.v2ex.com/t/915530

V2EX 是创意工作者们的社区,是一个分享自己正在做的有趣事物、交流想法,可以遇见新朋友甚至新机会的地方。

V2EX is a community of developers, designers and creative people.

© 2021 V2EX