Chuyển văn bản sang Unicode – Text to Unicode

Chuyển văn bản sang Unicode escape là gì?

Chuyển văn bản sang Unicode escape là đổi chữ và các thành phần của chuỗi văn bản thành cách viết mã như \u0041. Công cụ Text to Unicode thực hiện hai chiều: từ văn bản hiển thị trực tiếp sang chuỗi escape, và từ những dạng escape được hỗ trợ trở lại văn bản. Kết quả giúp bạn quan sát hoặc sử dụng cách biểu diễn mã thay vì chỉ nhìn hình dạng của chữ.

Ví dụ, chữ A được chuyển thành \u0041. Chữ A là nội dung đang hiển thị; còn escape là sáu ký tự gồm dấu gạch chéo ngược, chữ u và bốn chữ số thập lục phân. Chúng có thể biểu diễn cùng một giá trị ký tự khi được diễn giải đúng, nhưng không phải cùng một chuỗi văn bản đang nhìn thấy.

Văn bản tiếng Việt hiện đại vốn có thể đã sử dụng Unicode. Vì vậy, thao tác này không nâng cấp văn bản lên một chuẩn mới. Theo mã được cung cấp, công cụ đọc các đơn vị mã UTF-16 và đổi chúng sang escape; ở chiều ngược, nó thay các mẫu nhận dạng được bằng nội dung tương ứng.

Nhu cầu chính là đọc đoạn chứa mã escape hoặc tạo cách viết mã cho chữ, khoảng trắng và emoji. Công cụ không tạo phông chữ, chữ đậm trang trí hay Unicode art, cũng không chuyển bảng mã tiếng Việt cũ. Những nhu cầu đó cần được phân biệt với việc đổi cách biểu diễn ký tự.

Năm thuật ngữ giúp đọc đúng kết quả Unicode

Unicode

Unicode là chuẩn gán mã cho ký tự và nhiều thành phần văn bản của các hệ chữ khác nhau. Đây là kiến thức nền để hiểu vì sao chữ tiếng Việt và nhiều biểu tượng có thể cùng tồn tại trong một chuỗi. Unicode không phải phông chữ: cùng một nội dung có thể được trình bày bằng nhiều phông khác nhau. Công cụ này đổi cách viết mã, không quyết định nét chữ hay diện mạo hiển thị.

Unicode escape

Unicode escape là cách viết giá trị ký tự bằng chuỗi ký hiệu, chẳng hạn \u0041 biểu diễn A trong ngữ cảnh hỗ trợ cú pháp đó. Đây là dạng đầu ra chính của công cụ. Khi dán vào một ô văn bản thông thường, escape có thể vẫn hiện nguyên dạng, không tự biến thành chữ. Nó cũng không đồng nghĩa với byte UTF-8, HTML entity hoặc dữ liệu đã được bảo vệ bằng mật mã.

Điểm mã Unicode

Điểm mã Unicode là giá trị số xác định một vị trí trong không gian mã, thường được ghi dưới dạng U+0041. Không phải mọi điểm mã đều tạo thành một ký tự nhìn thấy độc lập; có những giá trị dùng cho dấu kết hợp hoặc thành phần điều khiển. Công cụ xử lý các dạng \u{...} và \UXXXXXXXX theo giá trị điểm mã. Cần tránh nhầm một điểm mã với một nhóm escape UTF-16 trong mọi trường hợp.

Đơn vị mã UTF-16

Đơn vị mã UTF-16 là một đơn vị 16 bit dùng để biểu diễn chuỗi. Ở chiều chuyển chữ sang escape, mỗi đơn vị tạo ra một nhóm \uXXXX. Điều này quyết định độ dài kết quả nhưng không phản ánh trực tiếp số chữ người đọc cảm nhận. Một chữ kèm dấu kết hợp có thể chứa nhiều đơn vị; một emoji cũng có thể cần hai đơn vị dù nhìn như một biểu tượng.

Cặp surrogate

Cặp surrogate gồm hai đơn vị mã UTF-16 phối hợp để biểu diễn một điểm mã ngoài vùng đa ngữ cơ bản, thường gọi là BMP. Ví dụ, 🚀 được biểu diễn bằng cặp tương ứng với \ud83d\ude80. Hai nhóm này không có nghĩa là hai emoji độc lập. Nếu chỉ còn một nửa của cặp, chuỗi vẫn có thể chứa đơn vị đó nhưng không bảo đảm hiển thị thành biểu tượng hợp lệ; cách trình bày phụ thuộc môi trường.

Đầu vào được hỗ trợ và cách hiểu đầu ra

Văn bản và bốn dạng escape đầu vào

Chế độ chữ sang escape nhận nội dung văn bản, bao gồm chữ có dấu, dấu cách, xuống dòng và emoji. Chế độ ngược nhận chuỗi có thể trộn chữ thông thường với các mẫu trong bảng. Các chữ số hex a–f được chấp nhận ở dạng viết hoa hoặc viết thường, nhưng tiền tố u, U và x phân biệt hoa thường.

Hai dạng xử lý theo điểm mã phải có giá trị trong khoảng 0 đến 0x10FFFF để không gây lỗi phạm vi. Tuy nhiên, nằm trong khoảng đó không đồng nghĩa chắc chắn tạo ra chữ nhìn thấy hoặc một nội dung có ý nghĩa.

Kết quả hiển thị có ý nghĩa gì?

Chiều thuận luôn xuất các nhóm \u với bốn chữ số hex viết thường, nối liền nhau, không thêm ngoặc kép. Chiều ngược thay phần khớp mẫu và giữ phần còn lại. Bởi vậy, một đoạn gồm cả lời nhắn và escape vẫn có thể được xử lý.

Đầu vào rỗng cho kết quả rỗng và trạng thái chờ nhập liệu. Chuỗi chỉ có dấu cách không được coi là rỗng; ở chiều thuận, dấu cách cũng được chuyển. Khi trở lại văn bản, ký tự điều khiển hoặc dấu kết hợp có thể khó nhìn thấy.

Trạng thái “Đã giải mã” chỉ cho biết xử lý không phát sinh ngoại lệ. Nó không chứng nhận toàn bộ đầu vào là escape đúng cú pháp hay mọi phần đã được thay thế.

Quy tắc chuyển đổi và những trường hợp cần chú ý

Từ chữ sang từng nhóm escape

Quy tắc chiều thuận gồm ba thao tác cho từng đơn vị mã UTF-16: viết giá trị ở cơ số 16, thêm số 0 bên trái cho đủ bốn chữ số, rồi đặt tiền tố \u trước phần số. Công cụ thực hiện với mọi đơn vị trong chuỗi, không chỉ những chữ có dấu hoặc ký tự đặc biệt.

Nếu đầu vào có N đơn vị mã UTF-16, đầu ra có 6 × N ký tự ASCII, vì mỗi nhóm gồm hai ký tự tiền tố và bốn chữ số. Đây là độ dài chuỗi biểu diễn, không phải công thức tính dung lượng tệp. N cũng không nhất thiết bằng số ký tự bạn nhìn thấy. Việc thêm số 0 chỉ phục vụ định dạng, không phải làm tròn giá trị.

Từ escape về chữ qua các lượt thay thế

Chiều ngược thực hiện lần lượt bốn lượt: \uXXXX, \u{...}, \UXXXXXXXX, rồi \xXX. Các lượt nối tiếp nhau, nên nội dung sinh ra ở lượt trước có thể được lượt sau xử lý thêm. Đây không phải một phép phân tích toàn bộ chuỗi theo cú pháp của một ngôn ngữ lập trình.

Mẫu cố định có thể khớp phần đầu của chuỗi dài hơn. Chẳng hạn, \u00410 chứa đoạn \u0041 được đổi thành A, còn số 0 cuối giữ nguyên. Ngược lại, một đoạn sai mẫu có thể không khớp và không gây lỗi. Công cụ cũng không có bước chuẩn hóa Unicode để gộp những cách biểu diễn nhìn gần giống nhau.

Đổi chế độ khác với hoán đổi kết quả

Đổi chế độ giữ nội dung đầu vào hiện tại và xử lý lại theo chiều mới. Nếu đầu vào vẫn là chữ thông thường, chuyển sang chiều giải mã không tự lấy chuỗi escape từ ô kết quả trước đó.

Hoán đổi lại lấy kết quả hiện tại làm đầu vào mới, đổi chiều và tính lại. Vì vậy, nó không đơn thuần đổi chỗ hai ô. Kết quả sau hoán đổi cần được đọc theo quy tắc của chiều mới, nhất là khi văn bản chứa những escape viết bằng ký tự thông thường.

Ví dụ chuyển tiếng Việt, emoji và chuỗi escape hỗn hợp

Chữ có dấu và khoảng trắng

Các ví dụ dưới đây được suy ra từ logic chuyển đổi trong mã, không phải báo cáo chạy thử. Giả sử đầu vào chiều thuận là A à, gồm A, một dấu cách và à; không có dấu chấm hay khoảng trắng bổ sung.

Ba đơn vị mã lần lượt có giá trị hex 0041, 0020 và 00e0. Thêm tiền tố cho từng giá trị cho kết quả:

\u0041\u0020\u00e0

Ví dụ cho thấy dấu cách không bị bỏ qua và chữ có dấu không cần chế độ riêng. Với ba đơn vị mã, đầu ra dài 18 ký tự ASCII. Con số này mô tả chuỗi escape, không khẳng định văn bản gốc chiếm bao nhiêu byte khi lưu.

Emoji và nhiều dạng escape trong một đoạn

Giả sử đầu vào chỉ có 🚀. Điểm mã U+1F680 được biểu diễn bằng hai đơn vị UTF-16 D83D và DE80, nên chiều thuận tạo \ud83d\ude80. Hai nhóm có tổng cộng 12 ký tự ASCII, dù nội dung hiển thị là một biểu tượng.

Ở chiều ngược, giả sử bạn cung cấp đoạn sau:

Mã: \u0041 / \u{1F680} / \U0001F680 / \x42

Các phần nhận dạng được lần lượt trở thành A, 🚀, 🚀 và B. Chữ “Mã:”, các dấu cách và dấu phân cách không khớp mẫu được giữ lại, cho kết quả:

Mã: A / 🚀 / 🚀 / B

Hai cách viết điểm mã của emoji khác nhau nhưng cùng cho nội dung tương ứng. Khi chuyển lại theo chiều thuận, công cụ dùng dạng cặp \uXXXX, không giữ nguyên kiểu escape ban đầu.

Chuỗi nhìn giống nhau hoặc không hợp lệ hoàn toàn

Chữ é dựng sẵn tạo \u00e9. Nếu đầu vào là e theo sau bởi dấu sắc kết hợp U+0301, kết quả là \u0065\u0301. Hai chuỗi có thể nhìn gần giống nhau nhưng khác cấu trúc mã; công cụ không chuẩn hóa trước khi chuyển.

Với đầu vào \uZZZZ và \u00410, kết quả suy ra là \uZZZZ và A0: phần thứ nhất không khớp hex, phần thứ hai chỉ được thay một đoạn. Còn \u{110000} vượt giá trị điểm mã tối đa, nên dẫn tới thông báo LỖI: Định dạng Unicode không hợp lệ!

Cuối cùng, giả sử đầu vào là bốn ký tự viết thành \x41. Chiều thuận tạo \u005c\u0078\u0034\u0031. Khi hoán đổi, lượt đầu khôi phục chuỗi \x41, rồi lượt xử lý hex ngắn đổi nó thành A. Vòng chuyển đổi này không giữ nguyên chuỗi ký hiệu ban đầu.

Khi nào nên dùng công cụ chuyển Unicode escape?

Đọc nội dung đang ở dạng escape

Công cụ phù hợp khi bạn nhận được một đoạn văn bản có các escape được hỗ trợ và muốn hiểu nội dung bên trong. Chẳng hạn, đoạn chứa lời nhắn xen với mã của chữ hoặc emoji có thể trở lại dạng dễ đọc hơn mà không cần chuyển riêng từng nhóm.

Điều kiện quan trọng là xác định đúng kiểu biểu diễn. Nếu dữ liệu dùng HTML entity, byte hex hoặc ký hiệu điểm mã U+, chiều giải mã hiện tại không có bộ xử lý riêng cho những dạng đó. Một đoạn còn nguyên sau chuyển đổi chưa chắc bị hỏng; nó có thể đơn giản nằm ngoài các mẫu được nhận dạng.

Chuẩn bị và kiểm tra cách biểu diễn ký tự

Chiều thuận hữu ích khi cần quan sát mã của chữ tiếng Việt, khoảng trắng hoặc emoji dưới dạng ký tự ASCII. Bạn cũng có thể đối chiếu thủ công kết quả của hai chuỗi nhìn giống nhau để tìm hiểu sự khác biệt về cấu trúc. Đây là cách sử dụng kết quả, không phải tính năng tự so sánh hay tự phát hiện khác biệt của công cụ.

Trước khi đưa đầu ra vào một hệ thống khác, cần kiểm tra cú pháp nơi nhận. Kết quả không tự có dấu ngoặc kép, không tạo thành tài liệu JSON hoàn chỉnh và không bảo đảm dùng nguyên trạng trong mọi ngôn ngữ. Đặc biệt, cần phân biệt nơi đang nhận văn bản nguyên dạng với nơi sẽ diễn giải dấu gạch chéo ngược thành escape.

Unicode escape khác UTF-8, đổi phông chữ và mã hóa bảo mật thế nào?

Biểu diễn ký tự khác với mã hóa byte

Đầu ra \uXXXX của công cụ biểu diễn từng đơn vị UTF-16 bằng văn bản. UTF-8 lại là cách mã hóa nội dung thành các byte. Vì vậy, đếm nhóm escape không cho biết trực tiếp kích thước của văn bản gốc trong UTF-8, và công cụ không xuất danh sách byte UTF-8.

HTML entity như A và ký hiệu điểm mã như U+0041 cũng khác escape. Chúng phục vụ những ngữ cảnh riêng; bộ giải mã được cung cấp không có quy tắc riêng để biến hai dạng này thành chữ.

Đổi cách viết khác với đổi kiểu chữ

Đổi phông chữ thay cách trình bày nét chữ. Dùng ký tự trang trí có thể thay nội dung bằng các ký tự khác trông tương tự. Chuyển sang escape thì mô tả giá trị đang có trong chuỗi, không tạo bộ chữ nghệ thuật hay làm chữ trở nên đậm.

Do đó, những nhu cầu thường được gọi là “Unicode font” hoặc “Unicode bold” không phải chức năng được mã xác nhận. Công cụ cũng không suy ra bảng mã cũ để khôi phục chữ tiếng Việt bị lỗi.

Escape không phải băm hay mã hóa bảo mật

Escape là cách biểu diễn có thể đọc lại theo quy tắc công khai, không phải cơ chế che giấu thông tin. Băm thường dùng để tạo giá trị phục vụ đối chiếu, còn mã hóa bảo mật sử dụng cơ chế mật mã và khóa để bảo vệ nội dung.

Chuỗi nhìn khó đọc hơn không đồng nghĩa an toàn hơn. Công cụ không băm, không xác minh chữ ký và không mã hóa bảo mật. Chuyển thông tin nhạy cảm sang escape không thay thế các biện pháp bảo vệ dữ liệu.

Giới hạn, lỗi thường gặp và lưu ý dữ liệu

Kết quả khó đọc và trạng thái dễ hiểu nhầm

Công cụ không xác thực đầy đủ toàn bộ Unicode và không sửa văn bản sai bảng mã. Surrogate đơn lẻ, dấu kết hợp hoặc ký tự điều khiển vẫn có thể xuất hiện trong kết quả, khiến nội dung trông thiếu chữ hoặc khó quan sát. Trạng thái thành công chỉ phản ánh việc xử lý không ném ngoại lệ, không bảo đảm văn bản có thể đọc bình thường.

Một giới hạn riêng của thao tác sao chép và hoán đổi là kết quả chứa chuỗi LỖI sẽ bị chặn. Điều này áp dụng cả khi “LỖI” là nội dung văn bản hợp lệ, không phải thông báo do chuyển đổi thất bại.

Clipboard, văn bản dài và dữ liệu nhạy cảm

Sao chép sử dụng clipboard của trình duyệt nên có thể thất bại do quyền hoặc điều kiện môi trường. Chưa có căn cứ để khẳng định tính tương thích trên từng trình duyệt. Phần mã không khai báo giới hạn độ dài cụ thể, nhưng điều đó không có nghĩa tài nguyên xử lý là vô hạn; cũng chưa có số liệu để cam kết tốc độ với văn bản dài.

Logic chuyển đổi đã có trong phần mã được cung cấp, nhưng hành vi thu thập, truyền và lưu dữ liệu của toàn trang chưa được xác minh. Không thể từ đó cam kết xử lý hoàn toàn cục bộ, không lưu dữ liệu hay bảo mật tuyệt đối. Nên tránh nhập dữ liệu nhạy cảm khi chưa hiểu chính sách của trang.

Câu hỏi thường gặp

Vì sao một emoji lại tạo ra hai nhóm \uXXXX?

Vì chiều chuyển đổi đọc từng đơn vị mã UTF-16, còn nhiều emoji nằm ngoài BMP và cần hai đơn vị để biểu diễn một điểm mã. Mỗi đơn vị tạo một nhóm escape nên số nhóm không bằng số biểu tượng đang nhìn thấy. Với 🚀, hai nhóm phối hợp thành một cặp surrogate. Tuy nhiên, không nên suy rộng rằng mọi emoji đều chỉ có hai nhóm: một hình hiển thị cũng có thể được tạo bởi chuỗi gồm nhiều điểm mã.

Chữ tiếng Việt nhìn giống nhau có luôn cho cùng mã escape không?

Không. Vẻ ngoài tương tự không bảo đảm cấu trúc mã giống nhau, vì một chữ có dấu có thể tồn tại dưới dạng dựng sẵn hoặc chữ cơ sở kèm dấu kết hợp. Công cụ giữ cách biểu diễn đầu vào và chuyển từng đơn vị, không thực hiện chuẩn hóa để đưa các dạng đó về một kiểu chung. Khi đối chiếu kết quả, hãy xem cả chuỗi nhóm mã thay vì chỉ dựa vào hình dạng chữ trên màn hình.

Tại sao báo đã giải mã nhưng một số chuỗi \u vẫn còn nguyên?

Vì thông báo đó không phải kết quả kiểm tra cú pháp toàn bộ đầu vào. Công cụ chỉ thay những đoạn khớp các mẫu được hỗ trợ; phần không khớp có thể được giữ nguyên mà không phát sinh ngoại lệ. Chẳng hạn, thiếu chữ số hex hoặc dùng ký tự ngoài tập hex sẽ khiến một đoạn không được nhận dạng. Ngoài ra, một chuỗi dài hơn vẫn có thể được thay một phần, nên cần đọc kết quả thay vì chỉ nhìn trạng thái.

Chuyển sang escape rồi hoán đổi có luôn khôi phục đúng đầu vào không?

Không có bảo đảm cho mọi chuỗi. Với văn bản thông thường, các nhóm escape thường trở lại những đơn vị ban đầu, nhưng bộ giải mã thực hiện nhiều lượt liên tiếp. Nội dung được khôi phục ở lượt đầu có thể trở thành mẫu hợp lệ của lượt sau và bị chuyển tiếp. Chuỗi nguyên dạng có dấu gạch chéo ngược như \x41 là trường hợp cần chú ý. Hoán đổi phù hợp để quan sát chiều ngược, không phải phép kiểm chứng vòng chuyển đổi tuyệt đối.

Công cụ có sửa được tiếng Việt bị lỗi bảng mã không?

Không, mã được cung cấp không có cơ chế nhận diện hay chuyển đổi bảng mã tiếng Việt cũ. Nếu đầu vào đã hiển thị sai, chiều thuận chỉ biểu diễn các đơn vị đang tồn tại trong chuỗi đó; nó không suy ra câu chữ bạn muốn có ban đầu. Cần phân biệt văn bản bị lỗi bảng mã với văn bản chỉ đang viết bằng escape. Trường hợp thứ hai có thể đọc lại nếu dùng mẫu được hỗ trợ, còn trường hợp thứ nhất cần xử lý khác.

Công cụ có tạo chữ đậm Unicode hoặc đổi phông chữ không?

Không. Hai chiều chuyển đổi chỉ đổi giữa nội dung văn bản và cách viết escape, không chọn phông hay thay chữ bằng bộ ký tự trang trí. Sau khi giải mã, độ đậm và hình dáng chữ còn phụ thuộc nơi hiển thị. Việc một số ký tự Unicode có hình dáng giống chữ đậm không có nghĩa công cụ này tạo ra chúng từ chữ thường. Nếu mục tiêu là định dạng hoặc trang trí văn bản, đây không phải chức năng tương ứng.

Vì sao tôi không sao chép hoặc hoán đổi được kết quả?

Có thể vì kết quả đang rỗng hoặc chứa chuỗi LỖI; cả hai thao tác đều bị chặn trong những trường hợp đó. Quy tắc này kiểm tra nội dung kết quả, nên văn bản hợp lệ có chữ “LỖI” cũng bị ảnh hưởng. Riêng sao chép còn có thể thất bại do clipboard hoặc quyền trình duyệt. Nếu kết quả không thuộc trường hợp bị chặn mà thao tác vẫn thất bại, chưa có đủ dữ liệu để xác định nguyên nhân cụ thể trong môi trường bạn đang dùng.