百度搜索“齟齬”，然后貌似Unicode越界了，Google正常，这是因为百度使用gbk的缘故还是真的使用了传说中的3位 Unicode？
SolidZORO · 2011-03-10 20:59:52 +08:00 · 4968 次点击这是一个创建于 5000 天前的主题，其中的信息可能已经有所发展或是发生改变。
 |
1
SolidZORO OP 后来试了一下搜索 “無敵”。变成了“无敌”。 看来baidu是在简/繁转换的时候把自己给搞挂了。导致了悲剧发生。
|
 |
2
freefcw 2011-03-10 21:18:21 +08:00
寨厂内部人士说，内部编码太多, suggestion 支持搜索不支持
|
 |
4
est 2011-03-10 22:02:08 +08:00
这个可能是windows的特例？因为 齟齬 是GB 18030 里的。然后windows下的gbk默认就是gb18030，而且有3、4字节。
|
|
5
SolidZORO OP @est 出错原因应该是：打个比方把。 我们要搜索AAA。
输入AAA的时候，点搜索。 AAA被发送到服务器，通过内部转换程式转换，变成aaa。 但是由于AAA没有对应的aaa，或者软件不够智能（比如编码溢出，AAA是UTF8，但是程序只支持GBK-gb2312，那么UFT8的字符-gb2312必然出错了）。 最后导致了显示搜索结果错误。 其实搜索 【齟】或者【齬】都不会错的。就算给她搭上【齟a】这样搜索也都还是会转对的。但是两个粘起来，就错了。这是为什么呢？ 【齟齬】变成了 【e r】三个字符er中间有空格。 216322;齟;U+9F5F 216327;齬;U+9F6C e：101;e;U+0065 ：32; ;U+0020 r：114;r;U+0072 再来看看编码范围; ---------------------------------------------- GBK 编码范围： 0×8140 - 0xFEFE BIG5 编码范围： 0xA140 - 0xF9FE, 0xA1A1 - 0xF9FE GB2312 编码范围： 0xA1A1 - 0xFEFE 汉字范围： 0xB0A1 - 0xF7FE GB18030 编码范围： 单字节、是0x00-0x7F，完全等同与ASCII； 双字节、编码范围和GBK相同，高字节是0x81-0xFE，低字节的编码范围是0x40 -0x7E和0x80-FE； 四字节、编码编码中第一、三字节的编码范围是0x81-0xFE， Unicode 编码范围： 0-0x10FFFF，这个是个很大的值了。 ------------------------------------------------------- 216322;齟;U+9F5F 216327;齬;U+9F6C 很显然。他们在GBK,GB18030,和Unicode里面。就是不在GB2312里。 但是问题应该不是出在这里，而齟齬单输入也能正常的识别，证明问题也不是繁简转换字码的问题。 打开Unicode发现齟齬是靠后CJK编码很后的字了。齟齬右边再过不到100个字符，CJK就完了。 估计百度写程序的时候没有考虑到很大的位数link起来。比如他们link起来之后就是 9F5F9F6C的小bug问题。就给越界了。 但是问题，【龃龘】他们又得到正确的显示。这个我就真不知道为什么了。 还得请高手作答。 |
 |
6
zainix 2011-03-11 11:56:46 +08:00
VPN + Google吧， 用百度能做什么！？
|
 |
7
lianghai 2011-03-11 12:42:33 +08:00
赞考据。不过，“3 位 Unicode”是什么？
|
|
8
SolidZORO OP 理论上 一个汉字可以由2byte搞定，当然，这是在GB2312下。
而在Unicode下，是4byte。 有人为了减少储存空间（同事也提高了搜寻的效率）。给Unicode动了一下手脚，把原来Unicode范围\0x000000 ~ \0x10FFFF，改成最常用的范围： \0x0000 ~ \0x10FF，（其实最常用的字符在\0x4E00 ~\0x9FA5，即CJK Unified Ideographs。) 这样显示GB2312，Big5什么的都没问题了。 |
Select Language