Unicode डेटासेट जनरेटर

ब्राउज़र में चलता है टेस्ट डेटा

ऐसे डेटासेट जो Unicode हैंडलिंग को कसकर जाँचते हैं: surrogate pair, संयोजक अनुक्रम, NFC/NFD वैरिएंट, bidi कंट्रोल, homoglyph और मिली-जुली लिपियों वाली स्ट्रिंग।

केवल टेस्ट डेटा — सभी जनरेट किए गए नाम, संपर्क, पहचानकर्ता और संख्याएँ कृत्रिम हैं और किसी वास्तविक व्यक्ति या खाते से संबंधित नहीं हैं।
गोपनीयता: यह टूल पूरी तरह आपके ब्राउज़र में चलता है। आपका इनपुट कभी आपके डिवाइस से बाहर नहीं जाता।

Unicode और UTF-8 क्या हैं?

Unicode हर लिपि के हर कैरेक्टर को एक नंबर (कोड पॉइंट, जैसे अरबी अलिफ़ के लिए U+0627) देता है; UTF-8 वह एन्कोडिंग है जो उन नंबरों को एक से चार बाइट में बदलती है और वेब व JSON में डिफ़ॉल्ट है। ज़्यादातर "टूटे टेक्स्ट" वाले बग या तो UTF-8 बाइट सीक्वेंस का किसी और एन्कोडिंग में पढ़ा जाना हैं, या स्ट्रिंग का बाइट में गिना जाना जहाँ प्रोग्राम कैरेक्टर की उम्मीद करता था।

Unicode डेटासेट जनरेटर कैसे इस्तेमाल करें

  1. श्रेणियाँ लिखें (या "all")।
  2. और ज़्यादा मात्रा चाहिए तो रैंडम मिली-जुली स्ट्रिंग जोड़ें।
  3. Generate दबाएँ और लंबाई वाले कॉलम की तुलना उससे करें जो आपका सिस्टम स्टोर करता है।

Unicode डेटासेट जनरेटर की खूबियाँ

  • 18 श्रेणियाँ: लैटिन डायाक्रिटिक, अरबी, देवनागरी, CJK, सिरिलिक, यूनानी, हिब्रू, थाई, emoji, संयोजक चिह्न, NFC/NFD जोड़े, surrogate pair, bidi कंट्रोल, zero-width, homoglyph, मिली-जुली लिपियाँ, case mapping और fullwidth रूप
  • हर पंक्ति में: escape किया हुआ रूप, code point, UTF-16 यूनिट, UTF-8 बाइट, grapheme और NFC = NFD फ़्लैग
  • चुनी हुई श्रेणियों के सैंपल मिलाकर बनी अतिरिक्त रैंडम स्ट्रिंग
  • सारांश में एक से ज़्यादा यूनिट वाले grapheme की गिनती
  • seed लगाया जा सकता है; JSON, CSV, SQL, XML, JSON Lines या तालिका आउटपुट

Unicode डेटासेट जनरेटर का उदाहरण

परिवार वाला emoji

इनपुट:

Categories: emoji

आउटपुट:

text,codePoints,utf16Units,utf8Bytes,graphemes
👨‍👩‍👧‍👦,7,11,25,1

Unicode डेटासेट जनरेटर के बारे में अक्सर पूछे जाने वाले सवाल

हर पंक्ति मुझे क्या बताती है?

टेक्स्ट, उसका escape किया हुआ रूप, code point, UTF-16 यूनिट, UTF-8 बाइट और उपयोगकर्ता को दिखने वाले grapheme की संख्या, और यह कि NFC तथा NFD रूप एक जैसे हैं या नहीं — लंबाई और normalisation के बग पकड़ने के लिए ज़रूरी सब कुछ।

कौन-सी लिपियाँ और केस शामिल हैं?

डायाक्रिटिक वाली लैटिन, अरबी, देवनागरी, CJK, सिरिलिक, यूनानी, हिब्रू, थाई, emoji तथा ZWJ अनुक्रम, संयोजक चिह्न, NFC/NFD जोड़े, surrogate pair, bidi कंट्रोल, zero-width कैरेक्टर, homoglyph, मिली-जुली लिपियाँ, case-mapping के edge case और fullwidth रूप।

क्या मैं रैंडम मिली-जुली स्ट्रिंग भी बना सकता हूँ?

हाँ — तय करें कि चुनी हुई श्रेणियों के रैंडम सैंपल से कितनी अतिरिक्त स्ट्रिंग बनानी हैं और हर एक में कितने सैंपल मिलाने हैं।

संदर्भ

  • The Unicode StandardUnicode Consortiumसार्वभौमिक कैरेक्टर सेट और उसके एन्कोडिंग रूप (UTF-8, UTF-16, UTF-32), नॉर्मलाइज़ेशन और हर कोड पॉइंट के गुण।
  • RFC 3629: UTF-8, a transformation format of ISO 10646IETF · 2003UTF-8 में कोड पॉइंट एक से चार बाइट में कैसे एन्कोड होते हैं, और कौन-सी बाइट सीक्वेंस अमान्य हैं।
  • RFC 4180: Common Format and MIME Type for Comma-Separated Values (CSV) FilesIETF · 2005CSV के आम नियम: कॉमा सेपरेटर, CRLF लाइन एंड, और कॉमा, कोट या लाइन ब्रेक वाले फ़ील्ड की क्वोटिंग।
  • Personal Data Protection Law (English translation)सऊदी डेटा एवं AI प्राधिकरण (SDAIA) · 2023व्यक्तिगत डेटा पर सऊदी कानून — टेस्ट वातावरण में असली ग्राहक रिकॉर्ड की प्रतियों के बजाय सिंथेटिक डेटा क्यों इस्तेमाल करना चाहिए।