特殊非字体类斜体文本识别求助及JavaScript读取可行性咨询

这类文本的本质 #

你遇到的这种斜体文本，不是靠CSS字体样式实现的，而是Unicode数学字母数字符号里的「数学斜体小写字母」。每个字符都是独立的Unicode码点——比如普通小写字母m的码点是U+006D，而你看到的𝘮码点是U+1D62E，二者是完全不同的字符，只是视觉呈现为斜体样式。

正因为这是字符本身的属性，而非排版样式，所以会出现这些现象：

• 复制后清除格式也不会消失，因为清除格式仅移除CSS样式，无法修改字符本身
• Gmail不做拼写检查，因为这些不属于常规ASCII英文字符，拼写词典没有对应条目
• Notepad++没法清除格式，原因同上，它处理的是字符而非样式
• 摘要里每个字母被计为一个单词，是因为部分工具会把非ASCII字符当作独立的“单词单元”，无法识别它们的语义关联

用JavaScript读取这类文本 #

完全可以通过JavaScript读取：

1. 直接获取文本内容：通过DOM API的textContent或innerText就能拿到包含这些特殊字符的文本，示例代码：

// 假设目标元素的选择器为.target-text
const fancyText = document.querySelector('.target-text').textContent;
console.log(fancyText); // 输出包含𝘮𝘦𝘥𝘪𝘶𝘮这类字符的文本

2. 转换成普通文本：如果需要将特殊字符转为常规ASCII字母，可以通过码点映射实现。数学斜体小写字母的码点范围是U+1D62E（对应a）到U+1D647（对应z），每个字符的码点减去0x1D5C7（即1D62E - 0x61 = 0x1D5C7）就能得到常规小写字母的码点，示例函数：

function convertItalicToNormal(text) {
  return text.replace(/[\u{1D62E}-\u{1D647}]/gu, char => {
    const normalCode = char.codePointAt(0) - 0x1D5C7;
    return String.fromCodePoint(normalCode);
  });
}

// 使用示例
const fancyText = '𝘮𝘦𝘥𝘪𝘶𝘮 𝘴𝘪𝘻𝘦𝘥 𝘤𝘢𝘳𝘳𝘰𝘵𝘴';
const normalText = convertItalicToNormal(fancyText);
console.log(normalText); // 输出 "medium sized carrots"

内容的提问来源于stack exchange，提问作者user984003