jianhui1012/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

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)：

• Web tool: 直接打开 https://garywill.github.io/cc-visualize/
• CLI: 见下进阶用户部分 （应用例：统计结果及讨论：批量扫描测试Github上的中文仓库字符）

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）

      

    • 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

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：

• Homoglyph
• IDN homograph attack
• Duplicate characters in Unicode
• Punycode Attack | Punycode Phishing

关于汉字同形字符：

• Unicode相容字符

  在“CJK Compatibility Ideographs”块中，也包含一些不是相容字符的字符

• “裏”（U+88CF）和“裏”（U+F9E7）这两个字有什么区别？ - 亜恵恵阿由的回答 - 知乎
• 为什么 Unicode 中会存在「凉」和「凉」这样两个极其相像的字符？ - 梁海的回答 - 知乎

关于中文私用码段：

• Unicode中的私人使用区
• 关于「宋体-PUA」 - 知乎
• 你用字被PUA，求救取正出泥潭
• 搜狗自造字为什么用非标准码，造了哪些字在哪里能查出来？ - Kushim Jiang的回答 - 知乎
• 专业考试中心报名生僻字为什么不“生” - 知乎

关于中文繁简对应问题：

• 漢字簡化爭論 多繁對一簡問題 - wikipedia
• 簡繁轉換一對多列表 - wikipedia
• 繁簡轉換一對多列表 - wikipedia
• 現代漢語常用簡繁一對多字義辨析表 BYVoid

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

• Unicode Character Database (UCD) （及其子集Unihan）
• 中华地区官方中文教育制定的常用字表（地区代号：CN+HK+TW）
• CNS 11643
• OpenCC （Open Chinese Convert）
• 可以再加....

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":["壯","𡉟"],"isSimp":true,"isTrad":true},
"壯":{"rel":["壮","𡉟"],"isTrad":true},
"壮":{"rel":["壮","壯","𡉟"],"isComp":true},  // 兼容区字符 
"𡉟":{"rel":["壮","壯"]},  //扩展区字，少见字

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

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

  • 《常用國字標準字體表》（甲表）（1979） 4808字
  • 《次常用國字標準字體表》（乙表）（1982首次） 6000多字
  • （本工具未采用）《罕用國字標準字體表》（丙表）（1983） 18300+ 字； 《異體國字字表》（丁表）（1984） 18500+字； 《異體字字典》 约29000字

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

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

"床":{"rel":["牀"],"isEdu_CN_1c":true,"isEdu_TW_A":true},
"牀":{"rel":["床"],"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.txt和TSCharacters.txt合并了

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

干幹乾榦：干和乾既是简体也是繁体，幹和榦仅是繁体

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.txt、TWVariants.txt、JPVariants.txt也合并了进来，期间排除了不必要的变体关联）

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

• Unicode Utilities: Character Properties
• Unicode Utilities: Confusables
• Unihan Data
• Unicopedia Plus
• Unicopedia Sinca
• 字嗨

其他资源：

• 大术专搜（推荐）（一个搜索、查询工具）中收集的汉语工具部分

• 收集的汉字资源、字体、阅读器 等

• View non-printable unicode characters

有用就赏

收集整理数据不易，感谢支持！

其实，多赏非求，少许亦可。
进者，参观主页，玩物更多。