如何防止诸如Zalgo文本的变音符号
上图中的人物是在几个月前由计算机安全专家MikkoHyppönen啾啾 ，他以计算机病毒和TED计算机安全方面的工作而闻名。 关于这个，我只会发表一个形象，但你明白了。 这显然不是你想要传播你的网站，并吓坏游客。
经过进一步的检查，这个angular色似乎是一个泰国字母组合的超过87个变音符号（有甚至是一个限制？！）。 这让我想到安全性，本地化以及如何处理这种input。 我的search引导我在Stack上提出这个问题 ，而Michael Kaplan则发表了一篇关于剥离符号的博客文章。 在这个例子中，他演示了如何将一个string分解为它的“基本”字符（为简洁起见，在这里简化）：
StringBuilder sb = new StringBuilder(); foreach (char c in "façade".Normalize(NormalizationForm.FormD)) { if (char.GetUnicodeCategory(c) != UnicodeCategory.NonSpacingMark) sb.Append(c); } Response.Write(sb.ToString()); // facade 我可以看到这在某些情况下会是有用的，但是在用户input方面，它将删除所有的变音符号。 正如卡普兰指出的那样，删除某些语言的变音符号可以完全改变这个词的含义。 这引出了一个问题： 如何在用户input/输出中允许一些变音符号，但排除其他极端情况，如MikkoHyppönen的人物angular色？
有甚至有限制？
在Unicode中不是本质的。 在UAX-15中有一个“stream安全”格式的概念，设置了30个组合器的限制。一般来说，Unicodestring不保证是stream安全的，但是这当然可以被看作是一个标志，即Unicode不打算标准化新字符，这将需要一个长于这个长度的字形集群。
30还是很可怕的。 已知最长的自然语言字形集群是西藏Hakṣhmalawarayaṁ在1个碱基加8个组合器，所以现在对NFD归一化是合理的，并且不允许连续超过8个组合器的序列。
如果你只关心普通的西欧语言，那么你可能会把它降低到2.所以可能会在两者之间有所妥协。
我想我find了使用NormalizationForm.FormC而不是NormalizationForm.FormD的解决scheme。 根据MSDN ：
[FormC]表示使用完全规范分解对Unicodestring进行规范化，如果可能的话，接着用主要的合成代替序列。
我认为这是指将angular色分解为基本forms，然后根据一组保持一致的规则重新组合它们。 我收集这是比较用途，但在我的情况下，它是完美的。 像ü ， é和Ä这样的字符被精确地分解/重组，而伪造字符不能重构，因此保持其基本forms：
这是正则expression式应该淘汰所有的zalgo，包括在“正常”范围内绕过的。
([\u0300–\u036F\u1AB0–\u1AFF\u1DC0–\u1DFF\u20D0–\u20FF\uFE20–\uFE2F\u0483-\u0486\u05C7\u0610-\u061A\u0656-\u065F\u0670\u06D6-\u06ED\u0711\u0730-\u073F\u0743-\u074A\u0F18-\u0F19\u0F35\u0F37\u0F72-\u0F73\u0F7A-\u0F81\u0F84\u0e00-\u0eff\uFC5E-\uFC62]{2,})
最难的是识别他们，一旦你做到了 – 有很多解决scheme。
希望这可以为你节省一些时间。
