URL编码与解码

Posted 2020-09-15 gccbuaa

通常假设一样东西须要编码，说明这样东西并不适合传输。原因多种多样，如Size过大。包括隐私数据，对于Url来说，之所以要进行编码，是由于Url中有些字符会引起歧义。

　　比如。Url參数字符串中使用key=value键值对这种形式来传參，键值对之间以&符号分隔，如/s?q=abc&ie=utf-8。

假设你的value字符串中包括了=或者&，那么势必会造成接收Url的server解析错误。因此必须将引起歧义的&和=符号进行转义。也就是对其进行编码。

　　又如，Url的编码格式採用的是ASCII码。而不是Unicode，这也就是说你不能在Url中包括不论什么非ASCII字符，比如中文。

否则假设client浏览器和服务端浏览器支持的字符集不同的情况下，中文可能会造成问题。

Url编码的原则就是使用安全的字符（没有特殊用途或者特殊意义的可打印字符）去表示那些不安全的字符。

　　预备知识：URI是统一资源标识的意思，通常我们所说的URL仅仅是URI的一种。

典型URL的格式例如以下所看到的。以下提到的URL编码，实际上应该指的是URI编码。

foo://example.com:8042/over/there?

name=ferret#nose

   \_/ \______________/ \________/\_________/ \__/

    |         |              |         |        |

  scheme     authority                path      query   fragment

　　哪些字符须要编码

　　RFC3986文档规定。Url中仅仅同意包括英文字母（a-zA-Z）、数字（0-9）、-_.~4个特殊字符以及全部保留字符。

RFC3986文档对Url的编解码问题做出了具体的建议，指出了哪些字符须要被编码才不会引起Url语义的转变，以及对为什么这些字符须要编码做出了对应的解释。

　　US-ASCII字符集中没有相应的可打印字符：Url中仅仅同意使用可打印字符。

US-ASCII码中的10-7F字节全都表示控制字符，这些字符都不能直接出如今Url中。同一时候，对于80-FF字节（ISO-8859-1），因为已经超出了US-ACII定义的字节范围。因此也不能够放在Url中。

　　保留字符：Url能够划分成若干个组件。协议、主机、路径等。有一些字符（:/?

#[]@）是用作分隔不同组件的。比如：冒号用于分隔协议和主机，/用于分隔主机和路径。?用于分隔路径和查询參数，等等。

另一些字符（!$&‘()*+,;=）用于在每一个组件中起到分隔作用的，如=用于表示查询參数中的键值对。&符号用于分隔查询多个键值对。当组件中的普通数据包括这些特殊字符时。须要对其进行编码。

　　RFC3986中指定了下面字符为保留字符：! * ‘ ( ) ; : @ & = + $ , / ? # [ ]

　　不安全字符：另一些字符。当他们直接放在Url中的时候，可能会引起解析程序的歧义。

这些字符被视为不安全字符。原因有非常多。

• 空格：Url在传输的过程，或者用户在排版的过程，或者文本处理程序在处理Url的过程。都有可能引入无关紧要的空格，或者将那些有意义的空格给去掉。
• 引號以及<>：引號和尖括号通经常使用于在普通文本中起到分隔Url的作用
• #：通经常使用于表示书签或者锚点
• %：百分号本身用作对不安全字符进行编码时使用的特殊字符。因此本身须要编码
• {}|\^[]`~：某一些网关或者传输代理会篡改这些字符

　　须要注意的是，对于Url中的合法字符。编码和不编码是等价的。可是对于上面提到的这些字符，假设不经过编码，那么它们有可能会造成Url语义的不同。

因此对于Url而言，仅仅有普通英文字符和数字，特殊字符$-_.+!*‘()还有保留字符，才干出如今未经编码的Url之中。其它字符均须要经过编码之后才干出如今Url中。

　　可是因为历史原因。眼下尚存在一些不标准的编码实现。比如对于~符号，尽管RFC3986文档规定，对于波浪符号~，不须要进行Url编码，可是还是有非常多老的网关或者传输代理会进行编码。

　　怎样对Url中的非法字符进行编码

　　Url编码通常也被称为百分号编码（Url Encoding，also known as percent-encoding），是由于它的编码方式很easy，使用%百分号加上两位的字符——0123456789ABCDEF——代表一个字节的十六进制形式。

Url编码默认使用的字符集是US-ASCII。比如a在US-ASCII码中相应的字节是0x61。那么Url编码之后得到的就是%61。我们在地址栏上输入http://g.cn/search?q=%61%62%63，实际上就等同于在google上搜索abc了。又如@符号在ASCII字符集中相应的字节为0x40，经过Url编码之后得到的是%40。

　　对于非ASCII字符。须要使用ASCII字符集的超集进行编码得到对应的字节，然后对每一个字节运行百分号编码。

对于Unicode字符，RFC文档建议使用utf-8对其进行编码得到对应的字节，然后对每一个字节运行百分号编码。如"中文"使用UTF-8字符集得到的字节为0xE4 0xB8 0xAD 0xE6 0x96 0x87，经过Url编码之后得到"%E4%B8%AD%E6%96%87"。

　　假设某个字节相应着ASCII字符集中的某个非保留字符。则此字节无需使用百分号表示。比如"Url编码"，使用UTF-8编码得到的字节是0x55 0x72 0x6C 0xE7 0xBC 0x96 0xE7 0xA0 0x81，因为前三个字节相应着ASCII中的非保留字符"Url"，因此这三个字节能够用非保留字符"Url"表示。终于的Url编码能够简化成"Url%E7%BC%96%E7%A0%81" ，当然，假设你用"%55%72%6C%E7%BC%96%E7%A0%81"也是能够的。

　　因为历史的原因，有一些Url编码实现并不全然遵循这种原则，以下会提到。

　　javascript中的escape, encodeURI和encodeURIComponent的差别

　　Javascript中提供了3对函数用来对Url编码以得到合法的Url，它们各自是escape / unescape, encodeURI / decodeURI和encodeURIComponent / decodeURIComponent。

因为解码和编码的过程是可逆的。因此这里仅仅解释编码的过程。

　　这三个编码的函数——escape，encodeURI。encodeURIComponent——都是用于将不安全不合法的Url字符转换为合法的Url字符表示，它们有下面几个不同点。

　　安全字符不同：

　　以下列出了这三个函数的安全字符（即函数不会对这些字符进行编码）

• escape（69个）：*/@+-._0-9a-zA-Z
• encodeURI（82个）：!#$&‘()*+,/:;=?

  @-._~0-9a-zA-Z

• encodeURIComponent（71个）：!‘()*-._~0-9a-zA-Z

　　兼容性不同：escape函数是从Javascript 1.0的时候就存在了，其它两个函数是在Javascript 1.5才引入的。可是因为Javascript 1.5已经很普及了。所以实际上使用encodeURI和encodeURIComponent并不会有什么兼容性问题。

　　对Unicode字符的编码方式不同：这三个函数对于ASCII字符的编码方式同样，均是使用百分号+两位十六进制字符来表示。可是对于Unicode字符，escape的编码方式是%uxxxx，当中的xxxx是用来表示unicode字符的4位十六进制字符。这样的方式已经被W3C废弃了。可是在ECMA-262标准中仍然保留着escape的这样的编码语法。encodeURI和encodeURIComponent则使用UTF-8对非ASCII字符进行编码。然后再进行百分号编码。

这是RFC推荐的。因此建议尽可能的使用这两个函数替代escape进行编码。

　　适用场合不同：encodeURI被用作对一个完整的URI进行编码，而encodeURIComponent被用作对URI的一个组件进行编码。从上面提到的安全字符范围表格来看，我们会发现，encodeURIComponent编码的字符范围要比encodeURI的大。

我们上面提到过，保留字符通常是用来分隔URI组件（一个URI能够被分割成多个组件，參考预备知识一节）或者子组件（如URI中查询參数的分隔符）。如：号用于分隔scheme和主机。?号用于分隔主机和路径。因为encodeURI操纵的对象是一个完整的的URI，这些字符在URI中本来就有特殊用途，因此这些保留字符不会被encodeURI编码。否则意义就变了。

　　组件内部有自己的数据表示格式，可是这些数据内部不能包括有分隔组件的保留字符，否则就会导致整个URI中组件的分隔混乱。因此对于单个组件使用encodeURIComponent，须要编码的字符就很多其它了。

　　表单提交

　　当html的表单被提交时，每一个表单域都会被Url编码之后才在被发送。因为历史的原因，表单使用的Url编码实现并不符合最新的标准。比如对于空格使用的编码并非%20。而是+号。假设表单使用的是Post方法提交的，我们可以在HTTP头中看到有一个Content-Type的header。值为application/x-www-form-urlencoded。大部分应用程序均能处理这样的非标准实现的Url编码，可是在clientJavascript中。并没有一个函数可以将+号解码成空格。仅仅能自己写转换函数。还有，对于非ASCII字符。使用的编码字符集取决于当前文档使用的字符集。

比如我们在Html头部加上

<meta http-equiv="Content-Type" content="text/html; charset=gb2312" />

　　这样浏览器就会使用gb2312去渲染此文档（注意，当HTML文档中没有设置此meta标签，则浏览器会依据当前用户喜好去自己主动选择字符集，用户也能够强制当前站点使用某个指定的字符集）。

当提交表单时，Url编码使用的字符集就是gb2312。

　　之前在使用Aptana（为什么专指aptana以下会提到）遇到一个非常迷惑的问题，就是在使用encodeURI的时候，发现它编码得到的结果和我想的非常不一样。以下是我的演示样例代码：

<!DOCTYPE html PUBLIC "-//W3C//DTD XHTML 1.0 Transitional//EN" 
"http://www.w3.org/TR/xhtml1/DTD/xhtml1-transitional.dtd">
<html xmlns="http://www.w3.org/1999/xhtml">
    <head>
        <meta http-equiv="Content-Type" content="text/html; charset=gb2312" />
    </head>
    <body>
        <script type="text/javascript">
            document.write(encodeURI("中文"));
        </script>
    </body>
</html>

　　执行结果输出%E6%B6%93%EE%85%9F%E6%9E%83。显然这并非使用UTF-8字符集进行Url编码得到的结果（在Google上搜索"中文"。Url中显示的是%E4%B8%AD%E6%96%87）。

　　所以我当时就非常质疑，难道encodeURI还跟页面编码有关，可是我发现，正常情况下。假设你使用gb2312进行Url编码也不会得到这个结果的才是。后来最终被我发现，原来是页面文件存储使用的字符集和Meta标签中指定的字符集不一致导致的问题。

Aptana的编辑器默认情况下使用UTF-8字符集。也就是说这个文件实际存储的时候使用的是UTF-8字符集。可是由于Meta标签中指定了gb2312。这个时候，浏览器就会依照gb2312去解析这个文档，那么自然在"中文"这个字符串这里就会出错，由于"中文"字符串用UTF-8编码过后得到的字节是0xE4 0xB8 0xAD 0xE6 0x96 0x87，这6个字节又被浏览器拿gb2312去解码，那么就会得到另外三个汉字"涓枃"（GBK中一个汉字占两个字节）。这三个汉字在传入encodeURI函数之后得到的结果就是%E6%B6%93%EE%85%9F%E6%9E%83。因此。encodeURI使用的还是UTF-8，并不会受到页面字符集的影响。

　　对于包括中文的Url的处理问题。不同浏览器有不同的表现。比如对于IE。假设你勾选了高级设置"总是以UTF-8发送Url"，那么Url中的路径部分的中文会使用UTF-8进行Url编码之后发送给服务端，而查询參数中的中文部分使用系统默认字符集进行Url编码。为了保证最大互操作性，建议所有放到Url中的组件所有显式指定某个字符集进行Url编码，而不依赖于浏览器的默认实现。

　　另外，非常多HTTP监视工具或者浏览器地址栏等在显示Url的时候会自己主动将Url进行一次解码（使用UTF-8字符集）。这就是为什么当你在Firefox中訪问Google搜索中文的时候。地址栏显示的Url包括中文的缘故。但实际上发送给服务端的原始Url还是经过编码的。

你能够在地址栏上使用Javascript訪问location.href就能够看出来了。

在研究Url编解码的时候千万别被这些假象给迷惑了。