本文只讨论字符层面的规则,不指向任何站点,也不建议照抄任何地址去访问。
两种身份:语法与文本
在网页地址里,冒号有固定职责:分隔协议名与主机名,或者分隔参数名与参数值。小数点同样有职责,用来分段主机名。它们出现在特定位置时,解析程序会按规则切开字符串,而不是把它当成内容的一部分。这是第一种身份:语法符号。
进入搜索框后发生了什么
搜索框不认识语法,只认识文本。整串字符被当作一个待分词的句子,冒号与小数点通常被当作分隔符丢弃或切开,空格直接切断词组,中文按词典与统计模型切分。于是同一串字符,一边被机器当作指令,一边被机器当作人话,处理路径完全不同。分词结果取决于词典与统计模型,不同搜索入口切法不同,这解释了为什么两台设备搜同一句词会得到不同的词集合。
为什么结果会对不上
因为搜索引擎拿到的是被切碎的关键词集合,不是一条地址。它按词的组合去找页面,找的是“包含这些词的页面”,而不是“这条地址指向的页面”。当编号与日期被切掉之后,剩下的部分往往是站名与“入口”这类泛词,匹配范围自然宽得多。这也是为什么同一个词在不同时间搜,前后结果可能不一致。
可执行检查单
- 01把冒号两侧分开看:左边像参数名,右边像参数值。
- 02数一数小数点:主机名里的小数点与编号里的小数点性质不同。
- 03把空格位置标出来,它通常记录了复制时的断点。
两个常见问题
加引号搜索能还原原意吗?
只能部分还原。引号要求连续匹配,能减少分词带来的偏差,但如果页面本身没有把这串字符完整写进正文,仍然搜不到。引号改变的是匹配方式,不改变“搜索框只处理文本”这个前提。
为什么有的标点会被自动去掉?
多数搜索入口会过滤掉部分符号,避免把无意义的字符带进索引查询。被去掉的往往正是构成地址语法的那些符号,所以搜索词越长、标点越多,被削掉的成分也越多。
一个可复用的判断
看到带冒号和小数点的搜索词,先问一句:这是别人写给人看的标题,还是从地址栏复制出来的残片。前者通常读得通、有主语;后者往往缺动词、带参数名、末尾还有日期。判断了来源,就知道该按词去理解,还是按地址去理解。
写下来比记住更可靠
遇到这类词,最实用的做法是原样抄一份,再抄一份“去掉标点后的版本”,两版并排看差异。差异处往往就是分词发生的位置,也是最容易产生误解的位置。这一步不需要任何工具,却能省掉大量猜测。两版并列之后,通常能看出哪些字被当成语法处理、哪些被当成内容保留。