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]

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。

[freefcw]

寨厂内部人士说，内部编码太多, suggestion 支持搜索不支持

[est]

@SolidZORO 这个出错应该是浏览器编码请求之前就出错了。但是gbk里这两个字的确是3byte编码。

[est]

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。

[SolidZORO]

@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。

[zainix]

VPN + Google吧， 用百度能做什么！？

[lianghai]

赞考据。不过，“3 位 Unicode”是什么？

[SolidZORO]

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。

[lianghai]

@SolidZORO 我还是没明白……
Unicode 本身不规定具体的编码方式啊，现在常用的编码是 UTF-8、UTF-16 和 UTF-32。UTF-8 里每个字符使用的字节数是 1 或 3 或 4，UTF-16 用的是 2 或 4，而 UTF-32 是 4。你说的是 UTF-16 模式的汉字？
“动了一下手脚”指的又具体是什么？

[SolidZORO]

@lianghai 也就是 固定3byte。