Ce que Ghostchars détecte

Des caractères sans glyphe et sans chasse, qui sont de la contrebande partout dans un texte : espace de largeur nulle, liant de mots, trait d'union conditionnel, indicateur d'ordre des octets, les quatre opérateurs mathématiques invisibles, les contrôles de formatage obsolètes, les marques d'annotation interlinéaire, les contrôles de notation musicale et les non-caractères réservés à jamais par Unicode.

Les cinq contrôles d'enchâssement et de forçage. Ils réordonnent un texte qui ne leur appartient pas, ce qui permet à un nom de fichier de s'afficher autrement qu'il n'est. Il n'existe aucun contexte dans lequel Ghostchars en conserve un.

Des indications de direction : les marques de gauche à droite et de droite à gauche, la marque de lettre arabe et les quatre isolants. À côté d'un texte de droite à gauche, elles lèvent une vraie ambiguïté et sont conservées ; dans un paragraphe anglais, ce sont des remplissages invisibles et un porteur de stéganographie publié, et elles partent.

Des caractères invisibles qui s'accrochent au caractère qui précède ou qui suit : liant et non-liant de largeur nulle, sélecteurs de variante, caractères de balise, et les remplisseurs propres au mongol, au khmer et au hangul. Conservés quand leurs voisins les rendent porteurs, supprimés quand ils sont isolés.

Le filet de sécurité. Tout caractère restant dont la catégorie générale Unicode est Cf est supprimé : un contrôle de formatage ajouté dans une future version d'Unicode est donc attrapé sans changement de code. Les exceptions orthographiques (signes de nombre arabes, marque d'abréviation syriaque, signe de nombre kaithi) sont testées plus tôt et laissées en place.

Détecté par propriété Unicode plutôt qu'à partir d'une liste : il n'y a donc pas d'ensemble fixe de points de code à énumérer.

Des points de code qu'Unicode n'attribuera jamais, dont le sens est un accord privé entre une police et une application. Les polices d'icônes vivent là, et c'est pourquoi leur suppression se demande explicitement : dans une interface, ce sont eux, le contenu.

Les espaces qui ne sont pas U+0020 : insécable, fine, moyenne, idéographique, marque d'espace ogham et les onze espaces typographiques à chasse fixe. Ils sont remplacés par un espace ordinaire plutôt que supprimés, parce qu'ils séparent des mots.

Les séparateurs de ligne et de paragraphe d'Unicode et le NEL hérité d'EBCDIC. Repliés en un simple saut de ligne plutôt que supprimés : les supprimer collerait deux lignes ensemble.

Les codes de contrôle C0 et C1, hors tabulation, saut de ligne et retour chariot. Leur présence dans un texte signale en général un accident de décodage ou une sonde délibérée.

Guillemets courbes, tirets cadratins et demi-cadratins, points de suspension, signe moins et primes. Rien n'est caché ici, ce sont des caractères visibles, mais ce sont d'autres points de code que leurs formes ASCII, et le choix droit ou courbe est un canal publié d'un bit par apostrophe.

La barre qu'un terminal trace à gauche d'une citation, et qui est copiée comme du texte au début de chaque ligne avec la citation. Une barre ne compte que si elle ouvre sa ligne et que le même caractère ne réapparaît pas plus loin sur cette ligne : un tableau dessiné avec des caractères de cadre reste intact. Elle part avec l'espace qui la suit. En option, parce qu'une arborescence de dossiers affichée dans un terminal commence ses lignes par la même barre.

Des lettres cyrilliques, grecques, arméniennes, cherokees, pleine chasse et mathématiques dessinées exactement comme des lettres latines. La table de correspondance compte 1 513 entrées générées à partir des données de confusables d'Unicode, et une lettre ne compte que si elle se trouve à l'intérieur d'un mot à écritures mélangées, c'est-à-dire d'une suite de lettres qui contient aussi une lettre ou un chiffre ASCII, comme « аpple ». Un mot entièrement cyrillique ou grec n'est jamais signalé ni jamais réécrit. Sur demande quand même, parce que cela réécrit des lettres que vous voyez.