淘宝网的搜索关键字的编码与解码

lichd 写道

刚刚看到你对淘宝编码的研究,我个人认为淘宝那个编码可能是Base32规范的演化版,只不过淘宝使用0来代替=做末位填充,RFC 3548 (The Base16, Base32, and Base64 Data Encodings)
对这些都有规范

经过证实，lichd 的观点正确，由于我在本文发表之前，除Base64 之外，其他的BaseXX 都没接触过，所以不知道这个正是Base32 的效果。

 

不过看官们请放心，本文的思路也和Base32 符合。当时的乱打乱撞，结果造了一个古人已经造好的轮子，实在惭愧。

 

因此，感谢lichd 的观点，从而稀释了我体内SB细胞的浓度。

 

回头看了一下本文的一个旧实现（codec.zip ），一年前写得代码太糟糕了，不推荐。

现在提供一个相对不错的实现，>>猛击获取<< 。

 

-------------------------- -------------------------- -------------------- ---------------------

------------------------------------------分割线 --------------------------------------------

-------------------------- -------------------------- -------------------- ---------------------

 

 

很久之前发现淘宝网的搜索关键字在编码后有点可爱，小写英文字母+数字的组合。

想去研究一下，但是后面好像没了回事似的。。记性不好

然后这两天不知道为什么，突然间抽起条脑筋，跑去研究。。。。

 

--------------------------开始分割线--------------------------

 

在淘宝网上用关键字“gembler”搜索一下商品，得出以下URL：

 

http://search1.taobao.com/browse/0/n-0-----------------g,m5sw2ytmmvza----------------40--commend-0-all-0.htm?at_topsearch=1

                                                                                           （留意上面这里：“m5sw2ytmmvza” ）

 

经过一轮 天昏地暗、沙尘滚滚 的分析、研究之后，得出以下结论：

 

  在Base64中，码表是由 [A-Z,a-z,0-9,+,/,=(pad)] 组成的。
  然后自己也弄个码表，由 [a-z,2-7（这个2-7是在 淘宝网上搜索了n次而得出的结论） ] 组成的：

 

a	b	c	d	e	f	g	h	i	j	k	l	m	n	o	p	q	r
0	1	2	3	4	5	6	7	8	9	10	11	12	13	14	15	16	17

 

-------------------------------愚蠢分割线---------------------------------

 

s	t	u	v	w	x	y	z	2	3	4	5	6	7
18	19	20	21	22	23	24	25	26	27	28	29	30	31

 
  在Base64中，是将二进制连成一串，然后再按6位来分割，分割完后在前面补0，这个地球人都知道，不多说了。
  而我呢，哈哈，捣蛋一下，按5位来分割，如果刚好够分，那就爽了，

  但是，世事往往不如人意，位数不够，那咋办呢？看下面 ：）
 
  在Base64中，是用"="来解决的吧。
  现在呢，就是在前面补0，然后在后面再补0，其实就是前后补0，

  但是， 按5位来分 割 ，前面3个0是补定的了，后面的0就看上帝怎么安排了。
 
  举个小例子：字符串 "aaa"，(编码/加密)后是 "mfqwc"
 

二进制：	01100001	01100001	01100001
转换后：	(000 )01100	(000 )00101	(000 )10000	(000 )10110	(000 )0001(0 )
十进制：	12	5	16	22	2
码表对应：	m	f	q	w	c

 
  反过来，(解码/解密)：
 

码表对应：	m	f	q	w	c
十进制：	12	5	16	22	2
二进制：	00001100	00000101	00010000	00010110	00000010
去掉前3个0后：	01100	00101	10000	10110	00010
合并后：	0110000101100001011000010

 
  然后把合并后的串的长度除一下8，发现多了个0：
 

合并后的 二进制码：

01100001

01100001

01100001

0

  多了就算了，不要了（其实是在{编码/加密}的分割时候，在分剩的余数的后面补的0）。
  然后再将 byte[] 转回字符串

 

  OK！又见回"aaa"了。    ：）
 
  *有一点值得注意的是：UTF-8、GBK、GB18030 一般都没什么问题，但是 GB2312 可能字符集不够丰富，繁体字在decode的时候成问号了。

 

搞了半天，“可视化编辑器”的 Java Code不好使，骨干代码在回帖里贴出................（完整的代码，有兴趣的同志们请见附件！ ）

 

--------------------------结束分割线--------------------------

 

。。。整理好了，整个人都铺满了灰尘.......

 

PS：不知道淘宝网的思路是不是这样

 

（补：另外一篇讨论 - “ 拍拍网的搜索关键字的编码与解码 ”）