percent-encode 百分号编码

原文地址：http://www.imkevinyang.com/2009/08/详解javascript中的url编解码.html

摘要

• URI(统一资源标识)编解码
• 为什么需要编码　
• 哪些需要编码
• 如何编码

预备知识

foo://example.com:8042/over/there?name=ferret#nose  
   \_/  \______________/ \________/\_________/ \__/  
    |          |              |         |        |  
 scheme    authority        path      query   fragment

　　上面为典型的URL的格式。由于URL属于URI的一种，所以下面提到的URL编码，实际上应该指的是URI编码。

为什么需要URL编码?

　　通常如果一样东西需要编码，说明这样东西并不适合传输。原因多种多样，如：内容Size过大、包含隐私数据等。

　　URL的编码原因是因为URL中有些字符会引起歧义。例如：URL参数字符串中使用键值对(key=value)的方式来传参，键值对之间以&符号分隔，如"/s?q=abc& ie=utf-8"。如果value字符串中包含了'='或者'&'，那么势必会造成接收URL的服务器解析错误，因此必须将引起歧义的'='或者'&'符号进行转义，也就是对其进行编码。

　　又如，URL的编码格式采用的是ASCII码，而不是Unicode，所以你不能在URL中包含任何非ASCII字符，例如中文。否则如果客户端浏览器和服务端浏览器支持的字符集不同的情况下，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。

哪些字符需要编码?

RFC3986文档规定，URL中只允许包含英文字母(a-zA-Z)、数字(0-9)、4个特殊字符(- _ . ~)以及所有保留字符。

　　RFC3986文档对URL的编解码问题做出了详细的建议，指出了哪些字符需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需要编码做出了相应的解释。

　　URL中只允许使用可打印字符。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现在URL中。同时，对于80-FF字节(ISO-8859-1)，由于已经超出了US-ACII定义的字节范围，因此也不可以放在URL中。

　　保留字符。URL可以划分成若干个组件：协议、主机、路径等。有一些字符(:/?#[]@)是用作分隔不同组件的。例如：':'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参数，等等。还有一些字符(!$&'()*+,;=)用于在每个组件中起到分隔作用的，如'='用于表示查询参数中 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含这些特殊字符时，需要对其进行编码。RFC3986中指定了以下字符为保留字符：

!

*

'

(

)

;

:

@

&

=

+

$

,

/

?

#

[

]

　　不安全字符。还有一些字符，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，原因有很多。

空格	在传输、用户排版、文本处理程序处理URL的过程中都有可能引入无关紧要的空格或者去掉了有意义的空格
引号以及<>	引号和尖括号通常用于在普通文本中起到分隔Url的作用
#	通常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，因此本身需要编码
{}|\^[]`~	某一些网关或者传输代理会篡改这些字符

　　注意：对于URL中的合法字符，编码和不编码是等价的，但对于上面提到的这些字符如果不经过编码，那么它们有可能会造成URL语义的不同。因此对于URL而言，只有普通英文字符和数字，特殊字符$-_.+!*'()还有保留字符，才能出现在未经编码的URL之中。其他字符均需要经过编码。

　　但是由于历史原因，目前尚存在一些不标准的编码实现。例如对于'~'符号，虽然RFC3986文档规定，对于波浪符号~，不需要进行URL编码，但是还是有很多老的网关或者传输代理会。

如何对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)，是因为它的编码方式非常简单，使用%百分号加上两位的字符(十六进制0~F)。URL编码默认使用的字符集是US-ASCII。例如 a 在US-ASCII码中对应的字节是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字符集中对应的字节为0x40，经过URL编码之后得到的是%40。

　　常见字符的URL编码列表：

保留字符的URL编码

!	*	"	'	(	)	;	:	@	&
%21	%2A	%22	%27	%28	%29	%3B	%3A	%40	%26
=	+	$	,	/	?	%	#	[	]
%3D	%2B	%24	%2C	%2F	%3F	%25	%23	%5B	%5D

　　对于非ASCII字符，需要使用ASCII字符集的超集进行编码得到相应的字节，然后对每个字节执行百分号编码。 对于Unicode字符，RFC文档建议使用utf-8对其进行编码得到相应的字节，然后对每个字节执行百分号编码。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"。

　　如果某个字节对应着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。 例如："URL编码"，使用UTF-8编码得到的字节是0x55 0x72 0x6C 0xE7 0xBC 0x96 0xE7 0xA0 0x81，由于前三个字节对应着ASCII中的非保留字符"URL"，因此这三个字节可以用非保留字符"URL"表示。最终的URL编码可以简化成"URL%E7%BC%96%E7%A0%81"，当然，如果你用"%55%72%6C%E7%BC%96%E7%A0%81"也是可以的。

　　由于历史的原因，有一些URL编码实现并不完全遵循这样的原则。

其他和URL编码相关的问题

　　对包含中文的URL的处理问题，不同浏览器有不同的表现。例如：对于IE，如果你勾选了高级设置"总是以UTF-8发送URL"，那么URL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，而查询参数中的中文部分使用系统默认字符集进行URL编码。为了保证最大的互操作性，建议所有放到URL中的组件全部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，很多HTTP监视工具或者浏览器地址栏等在显示URL的时候会自动将URL进行一次解码(使用UTF-8字符集)，这就是为什么当你在 Firefox中访问Google搜索中文的时候，地址栏显示的URL包含中文的缘故。但实际上发送给服务端的原始URL还是经过编码的。你可以在地址栏上使用Javascript访问location.href就可以看出来了。在研究URL编解码的时候千万别被这些假象给迷惑了。