search engine พันธ์ไทย กับปัญหา encoding tis ,UTF ,windows
กำลังอยู่ในระหว่างวิเคราะห์ครับ กับ search enne ลูกน้ำเค็ม ไทยแท้ http://search.thaihealth.net ที่ตอนนี้ ติดปัญหาอยู่ที่ว่า robots ยังเก็บข้อมูลเว็บต่างๆ เละเทะ เนื่องจาก ภาษาไทยจริง แต่เว็บใช้ encoding แตกต่างไปมาก จริงๆแล้วเลือกมาตรฐานที่สุดตามแบบของ search engine หลายภาษา น่าจะเป็น UTF-8 แต่เนื่องจากบ้านเราติดการใช้ tis-620 เลยทำให้ต้องการปรับจูนกันไปก่อน
ระบบที่เห็นว่าดีที่สุดของมันคือ search suggestion ที่เป็นภาษาไทย google ยังไม่มีครับ ภูมิใจมากๆเลยกับจุดนี้ น้อมรับคำวิจารณ์และเชิญใช้บริการได้ครับ
ความเห็น (2)
ขอแสดงความยินดีด้วยครับ เมืองไทยควรจะมี search engine ดีๆ ที่อยู่ในประเทศเสียที
แต่จะไปบอกว่าข้อมูลของเว็บต่างๆ เละเทะ คงพูดไม่ได้หรอกนะครับ นั่นเป็นความท้าทายที่ search engine จะต้องแก้ไขเอาเอง เว็บเค้าอยู่เฉยๆ มีกลุ่มผู้เข้าชมของตัวเองซึ่งก็ใช้งานได้อยู่ search engine ต่างหาก ที่ไปอ่านข้อมูลของเขามา
TIS-620 หรือ มอก.620 เป็นรหัสมาตรฐานประเทศไทยออกโดยสำนักงานมาตรฐานอุตสาหกรรม กระทรวงอุตสาหกรรมครับ มีมาตั้งแต่ปี 2529 และปรับปรุงล่าสุดในปี 2533
มอก.620 ใน version ที่เป็นมาตรฐาน ISO เรียกว่า ISO 8859-11 มี code point assignment ตรงกับ มอก.620 ทุกประการ
ส่วน utf-8 เป็น encoding ไม่ใช่มาตรฐานรหัสอักขระ ใช้สำหรับการส่งข้อมูลตามมาตรฐาน ISO/IEC 10646 หรือ Unicode
เนื่องจาก search engine ไม่ได้ขออนุญาตเจ้าของ content ว่าจะดูดข้อมูลไปทำอะไร ดังนั้นจึงมีการตกลงกันมานานแล้ว ว่าหากมี content ส่วนใดที่เจ้าของเว็บไม่ต้องการให้อ่าน ก็จะเขียนบอกไว้ครับ รายละเอียดหาอ่านได้ที่ robotstxt.org และ search engine ทั่วโลก ใช้มาตรฐานเดียวกันครับ
Search engine ของคุณหมอ ก็เร็วดีครับ เข้าใจว่าจำนวนเอกสารที่อ่านไป ยังคงไม่มาก -- ผมค้นคำว่า Conductor บน search engine ของคุณหมอ เจอใน 17 เอกสาร พอค้นคำเดียวกันใน Google เอาเฉพาะข้อความที่อยู่บน GotoKnow เท่านั้น กลับเจอใน 1690 เอกสารครับ
ในหน้าแรกตรงส่วนสีชมพูด้านล่าง ไม่มี GotoKnow ไม่ทราบว่าอันนี้เป็นเจตนาหรือเปล่าครับ
ผมเพิ่มให้แล้วครับ
จริงๆต้องขอขอบคุณที่แนะนำครับ บางเว็บอย่าง sanook ยังมี encoding ปนกันหลายแบบ บางหน้า ก็ใช้ 2 encoding เลยถือเป็นความท้าทายของผมเลยล่ะครับ