/cc-visualize

既适合程序员,也适合中文电子文字整编人员(in beta)。汉字繁、简、异、兼、笔、变等关联关系可视化。非寻常汉字字符、同形字符攻击、不可打印字符等检视工具。结合OpenCC、Unicode等数据 | Chinese characters relations or vatiants (simplified, traditional etc) visualization. Potential Unihan/UCD homograph/punycode attack/phishing, non-printable invisible characters inspector

Primary LanguageJavaScriptMIT LicenseMIT

d

全文每個(个)漢(汉)字關(关)聯(联)字可視(视)化 及 非尋(寻)常字符檢(检)視(视)工具

使用(in beta):

作用

  • 对汉字文化、汉语文献:

    • 充当小说阅读器。学习汉字繁简关系、异体字。一眼看清一对多或多对多组合

    • 分辨网上泛滥的,机器简转繁造成的,大量“文献”所含有的大量错字

  • 对程序员:

    • 在全文中查看字符信息,如Unicode码、所属区块、收录的Unicode版本

    • 找出大段文本(Unicode的)中的非寻常字符,如

      • 零宽字符、控制字符、不可打印字符、奇怪空格、组合字符等

        注意:若经复制粘贴、转换、浏览器控件,可能会丢掉或改变一些字符

      • 兼容区汉字符、少用汉字、笔划偏旁字符、仅日本用的简化版汉字 等

        计算机汉字字符编码的坑,除西文字符外,汉字也有“同形字符攻击”问题。已经发现有输入法码表中含有可能混淆人的字符。这也是做这个功能起因之一(见下相关背景资料)

        兀

      • 私用码段字符(PUA)
      • 非汉、又非ASCII的不常用字符(对中文&编程用户)

截图预览

Screenshot

Screenshot

Screenshot

Screenshot

Screenshot

Screenshot

UI对字符类型的示意:

  • 淡绿色:繁简合字
  • 淡蓝色:繁体
  • 淡黄色:简体 (不保证百分百准确)
  • 可能为非寻常字符:
    • 红紫色: 是兼容汉字符(可以时应当用对应的同形统一汉字符替代)
    • 蓝紫色: 属于汉字笔划偏旁部首区(若作为句中完整的字,应该用对应的统一字符)
    • 红色: 控制字符(包括不常用空白、零宽、排版控制等)
    • 暗红色: 非合法编码的“字符”
    • 橙色虚线边框: 可能只在汉字库较全或新的设备才显示的汉字
    • 橙色虚线边框: 可能只在较新的设备才显示的非汉字字符
    • (无颜色): 不属于中文文献(及编程)常用到的区块
    • 灰色: 属于私用码段(正式收录前暂用码,已收录后应弃用)
    • 浅红色: 是日本新字体(即,仅日文使用的简化字)
    • 蓝色: 是组合字符(无宽度无间距,用于给前一字符加声调等)

用字和编码问题的背景知识链接

关于同形字符:
关于汉字同形字符:
关于中文私用码段:
关于中文繁简对应问题:

进阶用户

web支持GET参数:https://garywill.github.io/cc-visualize/?s=%s

CLI用法为node cli.js(不需要再安装其他npm包)。可自行简单编辑入口文件cli.js以定制

在web中,每次检查完成后,在web控制台也会输出与cli类似的检查结果统计

其他(一般不用看)

文件名以pre开头的为预处理脚本。用于将原始数据生成.js包装的数据文件(文件内容类似xxxx.xxx = { ..很多行... }),以便于web使用。预处理应按以下顺序运行:

  1. unicode (陆表、港表数据也是取自于此)
  2. cns (台表数据取自于此)
  3. edu
  4. opencc (需要edu数据)
  5. summary (总数据,最后处理)

我把整合了汉字关联、汉字属性的数据文件以“map”命名。具体一点,map仅繁简关联,map2是供正常使用的,map3是把“不必要的关联”也关联进来了的

字符编码数据来源及处理说明

展开详细数据来源及处理说明

Unicode Character Database (UCD)

当前UCD版本:15.0

UCD提供txt(文件数量多)和xml(单个大文件)两种数据格式。

含有任意字符所属语言区块、每个区块的码的范围。含有正常汉字字符(CJK统一表意字符区)与康熙部首区、兼容表意字符区、汉字笔划偏旁字符区。还有繁简、Z变体、语义变体、特殊主义变体之间的关系、笔划偏旁字符对应的独立汉字。还有每个字的提交者是来自哪个国家或地区的研究组

下载了xml并进行缩小,删除不需要的信息。然后生成JSON格式的汉字关联表

UCD参数中的汉字变体、关联

采用的Unihan变体参数

  • kSimplifiedVariant 这个字对应的简体字
  • kTraditionalVariant 这个字对应的繁体字
  • kCompatibilityVariant 这个兼容区字对应的统一区字
  • kZVariant 相同字多次编码(因为错误,或来源不同)形成的“变体”
  • EqUIdeo 这个笔划字符对应的统一字
"壮":{"rel":["","𡉟"],"isSimp":true,"isTrad":true},
"壯":{"rel":["","𡉟"],"isTrad":true},
"壮":{"rel":["","","𡉟"],"isComp":true},  // 兼容区字符 
"𡉟":{"rel":["",""]},  //扩展区字,少见字

"並":{"rel":["","",""],"isTrad":true},
"併":{"rel":["","",""],"isTrad":true},
"倂":{"rel":["","",""]},
"并":{"rel":["","",""],"isSimp":true,"isTrad":true},
"倂":{"rel":["","","",""],"isComp":true},  // 兼容区字 
"並":{"rel":["","","",""],"isComp":true},  // 兼容区字

"⾨":{"rel":["",""],"isRad":true},  // 笔划偏旁字符
"門":{"rel":[""],"isTrad":true},
"门":{"rel":[""],"isSimp":true},

其他未采用的Unihan变体参数: kSemanticVariant, kSpecializedSemanticVariant, kSpoofingVariant

Unicode参数之字符类型

gc (General Catagory) 参数指示一个字符属于 “普通阅读型”字符 或是 控制字符、空白、组合字符 等

Unicode参数之版本

age参数指示一字符被收录进UCD的Unicode版本

1.0.0	1991年10月		1.0.1	1992年6月		1.1	1993年6月		2	1996年7月		
2.1	1998年5月		3	1999年9月		3.1	2001年3月		3.2	2002年3月		
4	2003年4月		4.1	2005年3月		5	2006年7月		5.1	2008年4月		
5.2	2009年10月		6	2010年10月		6.1	2012年1月		6.2	2012年9月		
6.3	2013年9月		7	2014年6月		8	2015年6月		9	2016年6月		
10	2017年6月		11	2018年6月		12	2019年3月		12.1	2019年5月		
13	2020年3月		14	2021年9月		15	2022年9月

中华地区官方中文教育制定的常用字表(地区代号:CN+HK+TW)

参看汉字规范#現代規範 - wikipedia

  • 地区代号CN

    《通用规范汉字表》(2013)。分为三级:

    • 一级字表 3500字
    • 二级字表 3000字
    • 三级字表 1605字

    其中一、二级在此认为皆是简体字,三级不视为一定是简体。附件中的繁、异体对照表这里未采用

    本工具数据内容取自UCD的kTGH参数。因官方链接提供的原文件是图片PDF

  • 地区代号HK

    《常用字字形表》 4759字(实际加上同义字后更多)

    本工具数据内容取自UCD的kHKGlyph参数

  • 地区代号TW

    甲表中的字在此视为皆是繁体字,其他表不然

    本工具的甲、乙表数据取自 CNS 11643

下例为总合了以上地区官方中文教育制定的常用字表后的部分数据

"說":{"rel":["",""],"isEdu_HK":true,"isEdu_TW_A":true},
"説":{"rel":["",""],"isEdu_HK":true},
"说":{"rel":["",""],"isEdu_CN_1c":true},

"裏":{"rel":["",""],"isEdu_HK":true},
"裡":{"rel":["",""],"isEdu_HK":true,"isEdu_TW_A":true},
"里":{"rel":["",""],"isEdu_CN_1c":true,"isEdu_HK":true,"isEdu_TW_A":true},

"床":{"rel":[""],"isEdu_CN_1c":true,"isEdu_TW_A":true},
"牀":{"rel":[""],"isEdu_HK":true},

CNS 11643 的字源数据

来自**的编码「中文標準交換碼」 (CNS 11643) 的官方网站上,可链接到对应的数据下载页面(目前约10万字)。数据中包含有以上甲~丙表、以及其他教育汉字字表的字符编码信息,以及它们由CNS 11643到Unicode的转换表

《國中小教科書常用字》 来自下载数据包内,有500多字(此名称在其他地方找不到说明)。它 + CNS11643数据包内的《次常用國字標準字體表》 ≈ 真正的《次常用國字標準字體表》

CCCII (尚未)

来自**的编码「中文資訊交換碼」(CCCII,以前又叫EACC)将正、简、异、日几种字形的汉字字符分开区域编排,且收录异体数量多。并且,在这种编码下,只要在编码上平移特定的量,就能找到所关联的汉字,不一定要专门的关联表(也因此同一字有时需要多个编码,因为繁简关系不只有一个对应)

据说1987年版本收录5.3万字符。1989的稿收录7.5万字符(4.4万独立字和3.1万变体),这种编码采用的系统少,资料少

OpenCC

OpenCC含有中文繁简关系、日本用字与中文汉字关系

下例相当于把openCC的STCharacters.txtTSCharacters.txt合并了

"干": { "rel": [ "", "", "" ], "isSimp": true, "isTrad": true },
"幹": { "rel": [ "", "", "" ], "isTrad": true },
"乾": { "rel": [ "", "", "" ], "isTrad": true, "isSimp": true },
"榦": { "rel": [ "", "", "" ], "isTrad": true },

干幹乾榦既是简体也是繁体,仅是繁体

又,例如,发發髮発髪:中文繁简字皆互相关联,日本变体可关联到中文繁简字,但从中文字不需要关联到日本字。(这里又相当于把openCC的HKVariants.txtTWVariants.txtJPVariants.txt也合并了进来,期间排除了不必要的变体关联)

"发": { "rel": [ "", "" ], "isSimp": true },
"發": { "rel": [ "", "" ], "isTrad": true },
"髮": { "rel": [ "", "" ], "isTrad": true },
"発": { "rel": [ "", "", "" ], "isVari_JP": true },
"髪": { "rel": [ "", "", "" ], "isVari_JP": true },

(openCC数据的预处理应在UCD、CNS之后)

总数据

结合上面提到的数据,生成总数据表使用

结合之前,”修正“一些来自UCD中的繁简“多余”标志(如果你认为这样修正有是错误的请开issue讨论):

  • 已在[港表 ∪ 台表甲]中,且不在[陆表一 ∪ 陆表二]中的字,若有简体属性,取消此属性
  • 已在[陆表一 ∪ 陆表二]中,且不在[港表 ∪ 台表甲 ∪ 台表乙]中的字,若有繁体属性,取消此属性

方向及限制

  1. 因不同地区、文化圈、系统,不同的历史流行输入法、字体,机构所沿用的信息系统的原因,所谓汉字“规范”、“通行”、“正常”字符到底该依照哪个(统一字、部首字符、兼容字,还是暂用私用码,甚至不用万国码而用另一套编码?),本项目(至少目前)无法收录和处理完整的这类信息。

    因此,忽略那些,以 新Unicode版本 的 CJK统一区块 为优先。

    也尝试以所能收集到的中华地区(CN+HK+TW)教育部制定的常用字表作为配合。目标群体为简中、繁中语言用户(日韩越用户经过修改定制也可以使用)。

  2. 只收录文本数据,即以计算机码位形式储存的数据,不收录图片、字形。

  3. 本工具是制作及运行在UTF-8环境。UI中的hex字符编码常为省略U+后的标准表示(即同UTF-16码)

  4. 组合表情符号、组合字母(例如带声调那种)会被拆开

  5. 目前对字的简、繁、合、日标记,以中华地区生活常用的字的覆盖范围(几千~1万)为优先,【并非】考古或严谨的汉语汉字研究。因此若你是古籍研究整编人员想用此项目,可能需要先对预处理数据的代码稍作修改(亦见数据处理方式中的对UCD繁简的“修正”)

相关

其他能够查到汉字Unicode字符变体、关联关系、资料的工具:

其他资源:

有用就赏

收集整理数据不易,感谢支持!

打赏链接

其实,多赏非求,少许亦可。
进者,参观主页,玩物更多。