Qué detecta Ghostchars

Caracteres sin glifo y sin anchura que son contrabando en cualquier parte de un texto: el espacio de ancho cero, la unión de palabras, el guion opcional, la marca de orden de bytes, los cuatro operadores matemáticos invisibles, los controles de formato obsoletos, las marcas de anotación interlineal, los controles de notación musical y los no caracteres que Unicode reserva para siempre.

Los cinco controles de incrustación y anulación. Reordenan texto que no es suyo, que es la manera de conseguir que un nombre de archivo se muestre como algo que no es. No hay ningún contexto en el que Ghostchars conserve uno.

Pistas de dirección: las marcas de izquierda a derecha y de derecha a izquierda, la marca de letra árabe y los cuatro aislantes. Junto a texto de derecha a izquierda resuelven una ambigüedad real y se conservan; en un párrafo en inglés son relleno invisible y un portador de esteganografía publicado, y se van.

Caracteres invisibles que se enganchan al carácter anterior o al siguiente: la unión y la no unión de ancho cero, los selectores de variación, los caracteres tag y los rellenos propios del mongol, el jemer y el hangul. Se conservan cuando sus vecinos hacen que cumplan una función, y se eliminan cuando van sueltos.

El cajón de sastre. Se elimina cualquier carácter restante cuya categoría general de Unicode sea Cf, así que un control de formato añadido en una versión futura de Unicode queda cubierto sin tocar el código. Las excepciones ortográficas, es decir, los signos de número árabes, la marca de abreviatura siríaca y el signo de número kaithi, se comprueban antes y se dejan en paz.

Se detecta por una propiedad de Unicode y no a partir de una lista, así que no hay un conjunto fijo de puntos de código que enumerar.

Puntos de código que Unicode nunca asignará, cuyo significado es un acuerdo privado entre una fuente y una aplicación. Aquí viven las fuentes de iconos, y por eso eliminarlos es opcional: en los textos de una interfaz, son el contenido.

Espacios que no son U+0020: el de no separación, el fino y el mediano, el ideográfico, la marca de espacio ogham y los once espacios tipográficos de ancho fijo. Se sustituyen por un espacio corriente en vez de borrarse, porque están separando palabras.

Los separadores de línea y de párrafo de Unicode y el NEL heredado de EBCDIC. Se unifican a un salto de línea normal en vez de borrarse: borrarlos juntaría dos líneas en una.

Los códigos de control C0 y C1, excepto el tabulador, el salto de línea y el retorno de carro. Que aparezcan en un texto suele significar un accidente de descodificación o un sondeo deliberado.

Las comillas tipográficas, la raya y la semirraya, los puntos suspensivos, el signo menos y las primas. Aquí no se esconde nada, porque son caracteres visibles, pero tienen un punto de código distinto al de sus formas ASCII, y elegir entre la recta y la curva es un canal publicado de un bit por apóstrofo.

La barra que una terminal dibuja a la izquierda de una cita y que, al copiarla, llega como texto al principio de cada línea. Una barra solo cuenta si abre su línea y el mismo carácter no vuelve a aparecer más adelante en esa línea, así que una tabla dibujada con caracteres de recuadro queda intacta. Se va junto con el espacio que la sigue. Es opcional porque un árbol de carpetas impreso en una terminal empieza sus líneas con la misma barra.

Letras cirílicas, griegas, armenias, cheroquis, de ancho completo y matemáticas que se dibujan igual que las latinas. El mapa tiene 1513 entradas generadas a partir de los propios datos de confundibles de Unicode, y una letra solo cuenta dentro de una palabra de alfabeto mixto, es decir, una racha de letras que también contiene una letra o un dígito ASCII, como «аmigo». Una palabra puramente cirílica o griega nunca se detecta ni se toca. Sigue siendo opcional aun así, porque reescribe letras que puedes ver.