一个热搜两幅面孔，娱乐圈的“高仿热搜”是咋骗你的？
表面一套背地一套的不止“阴阳合同”，最近，娱乐圈又出现了新的“阴阳话题”。
几天前，#易烊千玺决定放弃入职国话#话题冲上微博热搜，但是随后有网友发现，明明是一模一样的字，自己手动打出来的和上热搜的竟然不是同一个话题。
你是不是也被这段话搞懵了？
别怀疑，这不是“李逵”和“李鬼”的差别，在微博的默认字体下这两个话题一模一样，根本无法用肉眼辨认。但是在安卓系统下把默认字体换掉之后，就能看出热搜话题的“入”字不对劲。也有网友称，把两个“入”复制在新华字典APP里，热搜话题的“入”查不到，手动打出的则能正常查到。
为什么会出现这种情况？
用python读取字符代码之后，可以看到热搜里的“入”并不是中文常用字里的“入”（U+5165），因此未被字体库收录，连宋体、楷体、黑体等常见字体都没有收录这个字符，无论字体怎么变化，它永远停留在微软雅黑字体上。它也不是此前大家猜测的日文字，它的真身是康熙字典里的偏旁“入”（U+2F0A）。
上图为康熙字典偏旁“入”，下图为汉字“入”｜Unicode官方
阴阳话题瞒天过海、一套系统里有两个长相一致的真假“入”字……这些事在互联网的历史上其实不新鲜，用长相相似的字符骗用户上钩本身就是骗子们的压箱底技能。
防不胜防的高仿账号
难以区分的不只有“⼊（U+2F0A）”和“入（U+5165）”。打开Unicode官网，单在康熙部首的部分，容易和汉字混淆的字符就有一整页。
除此之外，还有很多存在于不同编码区的形近字。比如韩国地区的一些多音字，在编码时与原有的字集是分开的，Unicode甚至推出了一个中日韩兼容表意文字来囊括这些特例。
看上去和中文是同一个字，其实编码完全不同 | Wikipedia
这个编码方式兼顾了各种语言使用者的习惯，但带来的问题也显而易见：在电脑眼里，只要编码不同，系统就会认为是两个完全不一样的字，而在人类使用者看来，这些字符的外观完全相同。
这么大的漏洞，骗子当然不会白白放过。一种名叫同形异义词攻击（IDN homograph attack）的网络攻击方法因此而生。早期的骗子通过用0代替O、用1代替l之类的手法来迷惑用户，而升级版的Unicode同型字符换用则直接让人“瞎眼”。
比如，B站上其实有两个“老师好我叫何同学”，其中假何同学的名字中，“老师好”的“老（U+F934）”使用的是中日韩兼容表意文字中的编码。
左：老（U+8001）师好我叫何同学，右：老（U+F934）师好我叫何同学。B站上的“真假”何同学，这堪称像素级的高仿号，人眼怎么可能认出来啊！| Bilibili
不只汉字遇到了这种问题，字母世界里的高仿骗子更离谱。
2017年，一款高仿App出现在谷歌官方的应用商店里。它直接伪装成了知名聊天软件WhatsApp（相当于美国微信）。开发者在软件名后面添加了一个不可见的Unicode字符，让它看起来和正规软件没有区别。这个操作直接骗过了100多万的用户，让它成为了最“成功”的恶意软件之一。
网址也逃不过“有人模仿我的脸”。随着国际化域名开放使用Unicode，你看到的“英文”也可能不是英文了！比如www.аррӏе.com这个网址，如果你复制到浏览器里，浏览器会告诉你……
这个看起来和苹果官方网站一模一样的网址，是计算机爱好者Xudong Zheng申请的。网址中的а（U+0430）不是英文字母，而是西里尔字母，只要点进去就会进入Xudong Zheng的“钓鱼网站”。类似的同形异义词攻击也常被用在垃圾邮件和病毒文件里。
“罪魁祸首”Unicode
然而，这么“不科学”的Unicode，已经是人类现阶段最通用、最好的字符解决方案。
要让计算机理解人类的语言文字，就需要建立人类与计算机之间相互理解的桥梁，也就是说需要一种将字符转换为数字的编码方式。
上世纪60年代，在计算机诞生之初，美国人采用了一种编码来表示英语以及各种符号。该编码只有一个字节，能表示256(2^8)个字符（8个二进制数），虽然只定义了128个字符，但已经足够涵盖大小写英文字母和一些常用符号，这就是大名鼎鼎的ASCII编码。
1972年之前使用的ASCII编码表，当时的电脑只认得这些字｜wikipedia
然而随着计算机技术的发展，单纯的英文字符逐渐不够用了。汉语、法语、日语等各种语言的需求增加，每种新语言都需要新的字符。于是每个国家也都纷纷着手创建自己的编码方案，比如我国的GB 2312、GBK。
不同的国家和地区各自使用不同编码的结果，就是计算机每次都要安装不同的解码软件，一旦出现解码错误，用户就只能看到一堆乱码。
一些让人头大的乱码，网上冲浪够久总能见到
这时候，一些国际组织开始拟定统一的字符编码方案，为每种语言中的每个字符设定唯一的二进制编码，以满足跨语言、跨平台进行文本转换、处理的要求，Unicode就是这么诞生的。在这种语言环境下，不需要再对文件进行单独解码，同屏里可以显示任何语言的内容。
Unicode用数字0-0x10FFFF来映射这些字符，最多可以容纳1114112个字符，或者说有1114112个码位。码位就是可以分配给字符的数字。UTF-8、UTF-16、UTF-32都是将数字转换到程序数据的编码方案。将字符转换为数字、字符编码可以简单理解为，将每个字符分配给一个数字，例如：a = 65，A = 97。如果这个编码是统一的，那全世界所有的计算机就都可以认识这些字符。
我们已经给每个字符分配了一个唯一的编码，那么如何使计算机认识这个编码呢？由于计算机只懂得0、1这样的二进制，最简单的方式就是直接将编码转换成2进制，例如：It’s 果壳的Unicode编码如下：
其对应的二进制为：
1991年Unicode发布之初，一共只支持7161个字符，虽然已经比128个ASCII编码多了不少，但仍然不足以满足全球用户的需求。在接下来的几十年里Unicode不断迭代，支持的语言更多，数量也激增至14万个，其中不仅有缅甸文、藏文这样经常被我们拿来做表情包的字符，甚至还包括麻将、易经卦象、多米诺骨牌牌面这样的非语言符号。
在添加Unicode时，需要秉承“统一性（Unification）”的准入原则，即把不同语言的同一书写系统（scripts）中相同的字符统一起来，因此中日韩文中相同的汉字的编码是一致的。但与此同时，丰富的语言中也包含着大量的形近字，比如西里尔字母中的一些字符就和英文字母高度相似，真的没什么好方法辨认，只能查看代码。
西里尔字母表｜wikipedia
借我借我一双慧眼吧
虽然那英借来的慧眼不一定能帮上什么忙，但我们还是能用一些别的方法看破真相。
对于用Unicode浑水摸鱼的“冒牌”网站，各家浏览器已经开始将网址转换为统一的Ponycode代码进行显示了。而且对于这种高仿网站，浏览器自身也有了相应的比对和审核方法，并及时提醒用户可能存在的风险。
浏览器会将Unicode字符转换为统一的编码，在一定程度上抵抗钓鱼网站
对于高仿账号和页面上显示的文字，通过改变字体也可以快速找到猫腻。Unicode本身并不代表任何字体，最终文字的显示效果和系统的呈现方式有很大关系。因此，有些字体只会显示Unicode中的部分字符，那些没有适配的文字就会显得很不一样。
字体改为楷体时，第二个老字明显不一样了
不过换字体这一招也不是百试百灵。目前有很多网站为了统一风格，会在代码中指定显示的字体，不受用户改变自己系统字体的影响。所以遇到可疑的情况，最根本的方法还是得把文字复制下来，查询Unicode编码。
用python3可以很简单地查到一个字符的Unicode编码，如下面的代码所示：
这段代码可以通过四个步骤来进行：
环境准备。打开电脑自带的Terminal，输入python3+回车，即可进入python交互环境，就可以开始写代码啦。
变量赋值。将想要查询的字符给到变量s，例如我们想查询“老”这个字符的Unicode编码，就输入s = '老'。
Unicode编码查询。Python内置的encode函数可以用来查询Unicode码，在encode函数的参数中输入"unicode_escape"，代表我们想要查询的编码类型是Unicode。输入re = s.encode("unicode_escape")，就可以调取编码。
最后输入print(re)，就可以看到字符的Unicode码，对比任意两个字符的编码是否一致。
希望大家面对所谓的“阴阳热搜”不再困惑，在Unicode骗局面前用技术工具保护自己！
参考文献
作者：树树，owl
编辑：翻翻
封面图来源：编者自制
明天（7月27日 周三）11:00，“果壳暑期漫画狂欢购”开播了！
我们精心挑选了六家出版社的近30套新书+爆品，直播间每半小时一次秒杀，还有无门槛优惠券等你来领，福袋福利不间断！
还等什么，赶快点击下方的按钮，预约直播吧~
本文来自果壳，未经授权不得转载.
如有需要请联系[email protected]
微信扫码关注该文公众号作者