百度快照裡面中文網址顯示亂碼的問題

By James Qi, 2019年1月24日

　　我們網站從很多年一直使用國外的開源平台MediaWiki和Drupal，都是用的UTF-8字符集來支持多語言，URL網址也是采用的系統自帶或者插件自帶的編碼方式，例如：查号吧網站裡面有個标題為“越南”頁面，URL網址不是“https://www.chahaoba.com/越南”，而是UTF-8編碼後的“https://www.chahaoba.com/%E8%B6%8A%E5%8D%97”，這在Google裡面、百度裡面搜索和展示也都沒有問題，用戶用各種浏覽器打開也都正常。

　　但我們發現在百度快照中卻有問題，截圖如下：

　　可以看到其中有兩個地方出現亂碼，一個是我們的網頁網址中的“瓒婂崡”亂碼，一個是我們頁面中面包屑導航用到的“»”字符。

　　在浏覽器中查看百度快照的源代碼，發現快照頁面本身采用的編碼是GB2312：

<!DOCTYPE HTML>
<!--STATUS OK-->
<meta http-equiv="Content-Type" content="text/html;charset=gb2312">
<base href="https://www.chahaoba.com/瓒婂崡">
...
<div id="bd_snap_note">百度和網頁 <a href="https://www.chahaoba.com/瓒婂崡">https://www.chahaoba.com/瓒婂崡</a> 的作者無關，不對其内容負責。百度快照謹為網絡故障時之索引，不代表被搜索網站的即時頁面。</div>
...
<div style="position:relative">
<!DOCTYPE html>
<html lang="zh-CN" dir="ltr" class="client-nojs">
<head>
<meta charset="UTF-8"/>
<title>越南國際區号 | 查号吧</title>
...
<span itemprop="itemListElement" itemscope itemtype="http://schema.org/ListItem">
<a itemprop="item" href="/%E9%A6%96%E9%A1%B5">
<span itemprop="name">首頁</span></a>
<meta itemprop="position" content="1" />
</span>
�0�3
<span itemprop="itemListElement" itemscope itemtype="http://schema.org/ListItem">
<a itemprop="item" href="/%E5%9B%BD%E9%99%85%E9%95%BF%E9%80%94">
<span itemprop="name">國際長途</span></a>
<meta itemprop="position" content="2" />
</span>
...
</body>
<!-- Cached/compressed 20190121051958 -->
</html>
</div>

　　從上面可以看出百度快照頁面本身用的是GB2312編碼，那麼它包含進去的我們的頁面中“»”字符是不在GB2312編碼内的，就顯示成亂碼了。

　　另外，百度快照對我們網頁的URL中的UTF-8編碼成的“%E8%B6%8A%E5%8D%97”誤認為是GB2312編碼，本來是兩個漢字對應的“%E8%B6%8A”和“%E5%8D%97”，被劃分為“%E8%B6”、“%8A%E5”、“%8D%97”三個漢字的GB2312編碼，對應成了錯誤的三個中文字“瓒婂崡 ”，這三個中文字網址“https://www.chahaoba.com/瓒婂崡”再使用正确的UTF-8編碼後網址變成了“https://www.chahaoba.com/%E7%93%92%E5%A9%82%E5%B4%A1”，在我們網站中頁面就打不開了。

　　而百度搜索結果頁本身就是使用的UTF-8編碼，所以不存在上面說的這樣的問題。隻是百度快照頁面使用的技術太老舊，charset還是gb2312或者big5，且沒有改用https。

　　知道這個原因後，我們其實是可以做反向轉換、編碼，找到正确的網址的，後續工作以後再記錄。甚至可以考慮做一個專門的亂碼對應正确字符的網站出來。

　　參考工具：亂碼恢複

　　另外，最近還發現百度MIP也出現一些奇怪的錯誤，例如搜索結果頁是正确的，但點擊後到達一個錯誤的頁面，還待排查。後來已經解決，清理了MIP緩存，詳見：《清除百度MIP緩存，糾正跳轉錯誤》。

　　2019年2月補充：春節期間搭建了我們自己的亂碼還原網站，也可以說是亂碼糾正詞典，因為導入了幾十萬個中文字詞并列出了各種編碼組合，希望對大家有用。

自由标簽

百度快照

亂碼