También disponible en: English · Português · Français · العربية
Caracteres parecidos: detecta homoglifos en un texto
Qué caracteres de tu texto se hacen pasar por letras latinas, de qué alfabeto vienen y si la defensa habitual los cazaría.
¿Qué es un carácter parecido?
Un carácter parecido —un homoglifo— es un carácter de un alfabeto dibujado casi igual que otro de un alfabeto distinto. La а cirílica y la a latina son puntos de código diferentes que la mayoría de las tipografías representan igual. Mete uno en un nombre de dominio y tendrás una dirección que se lee bien y lleva a otro sitio.
Unicode publica la lista autorizada de estos casos en confusables.txt, los datos que hay detrás de su informe de seguridad UTS 39. Ese archivo es el que consultan registradores y navegadores para decidir si dos nombres se parecen demasiado como para coexistir. Reducido a caracteres sueltos que sustituyen a una sola letra latina, contiene 1277 impostores repartidos por 43 alfabetos.
Esta página compara tu texto con esa tabla, nombra cada impostor que encuentra y te dice lo que casi ninguna herramienta dice: si la defensa estándar lo habría cazado.
Cómo usarla
- Pega el texto. Un dominio, un nombre de usuario, el nombre de un paquete, una dirección de correo: lo que estés a punto de dar por bueno. Se comprueba en tu navegador y no se sube nunca.
- Lee el veredicto. Obtienes la grafía latina a la que se reduce el texto de verdad y una frase clara sobre si una comprobación de mezcla de alfabetos pondría alguna pega.
- Y luego mira la tabla. Cada impostor aparece con su posición, su punto de código, su nombre oficial de Unicode, el alfabeto del que viene y la letra que imita.
El ataque lleva el nombre del cirílico y casi no es cirílico
El cirílico aporta 43 de los 1277 impostores y el griego otros 38. La mayor fuente, con diferencia, es el alfabeto que Unicode llama Common: 823 de ellos. En Common viven los alfanuméricos matemáticos, junto con las formas de ancho completo, las letras encerradas y bastante más que no pertenece a ningún alfabeto.
Y no es una curiosidad, por cómo funciona la defensa habitual. La comprobación barata y casi universal consiste en preguntar si una cadena mezcla alfabetos, con el razonamiento de que una palabra latina auténtica no tiene por qué contener una letra cirílica. Unicode considera Common compatible con todos los alfabetos —los símbolos matemáticos deben poder aparecer junto a cualquier idioma—, así que una a matemática en negrita en mitad de un texto latino no provoca ninguna objeción de mezcla.
Hay una segunda forma de sortear la misma comprobación, y es de donde viene la fama del cirílico: escribir la palabra entera en un solo alfabeto. Una palabra escrita íntegramente con caracteres cirílicos es perfectamente coherente, así que no hay mezcla y la comprobación no tiene nada que decir. La herramienta informa de los dos casos explícitamente en vez de dejarte adivinar cuál tienes delante.
Dos letras que nadie puede falsificar con un solo carácter
Todas las letras latinas tienen al menos un impostor de un solo carácter salvo dos, y los motivos son distintos: los dos están en el propio archivo.
La I mayúscula no tiene ninguno porque no es un destino. Unicode agrupa la I mayúscula, la l minúscula y el dígito 1 en un mismo representante, así que la tabla lleva la I hacia la l y no al revés: 79 caracteres apuntan a la l minúscula y ninguno a la I mayúscula. La m minúscula no tiene ninguno porque su impostor no es un carácter: la tabla lleva la m a rn, la secuencia de dos letras que engaña a los lectores desde mucho antes de que existiera Unicode.
Así que los dos huecos de la lista son justo los dos engaños famosos que funcionan con otro mecanismo. Es un resultado bonito, y el generador que construye estos datos se niega a emitirlos si algún día deja de cumplirse.
Lo que esta página no puede decirte
No puede decirte que un texto sea malicioso. Muchísimos de estos caracteres tienen usos totalmente legítimos: los alfanuméricos matemáticos pertenecen a las matemáticas, las formas de ancho completo a la composición japonesa, y una а cirílica en una palabra rusa es sencillamente la letra a. Lo que informa la página es que un carácter no es la letra latina a la que se parece, y eso es un hecho, no una acusación.
Tampoco comprueba la dirección contraria. Unicode registra 2103 caracteres cuyo parecido es una secuencia y no un solo carácter —la m por rn es el famoso—, y esos son otra forma del problema que un análisis carácter a carácter no puede ver.
Y solo trata de la apariencia. Un texto puede engañar de maneras que nada tienen que ver con cómo se dibujan los caracteres, sobre todo escondiendo caracteres que no se dibujan en absoluto. Esa es otra comprobación, y en este sitio hay otra página para ella.
¿Por qué es gratis?
La tabla son unos pocos kilobytes que viajan con la página, y la comprobación corre en tu navegador. Nada de lo que pegas se sube, no se registra nada y no hay cuenta que crear.
Sin registro, sin límites y sin marca de agua en nada de lo que copies.