URL编码

URL的特性

可移植性

　　URL需要通过各种不同的协议来传送，那么组成URL的字符就要求被所有网络协议所识别，只能使用通用的安全字母表中的字符。

　　URL字符使用的是US-ASCII 字符集，也叫做标准7位ASCII

可阅读性

　　US-ASCII中有些字符虽然是可移植的，但因为不可见、不可打印，无法阅读，所以也不能在 URL 中使用。7位ASCII共有128个字符，其中33个不可打印字符，95个为可打印字符

完整性

　　URL 中包含除通用的安全字符以外，有时候还希望包含一些非安全字符，比如汉字。这就需要我们对这些非安全字符进行编码。编码成ASCII码中安全的字符。

另外，ASCII码95个可打印字符中有些在URL中被用于特殊用途或者留待将来用于特殊用途。这些特殊字符往往用来分隔URI组件或者子组件的分隔符。

　　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：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。

　　服务器端在解析URL时，就是使用这些具有特殊意义的分割符将URL解析成各个组件（协议，主机，路径，参数字符串）或者子组件（参数字符串中的键和值）

　　但这些特殊字符用于特殊用途之外时，就会造成歧义，也需要进行编码。比如=用于分割键和值时（如a=eee），不需要进行编码，但如果=作为字符串值中的一个字符时（如a=ee=e, ee=e为一个字符串值），就必须要编码

 

总结：组成URL的字符只能是7位ASCII码中的95个可打印字符。

          当URL中包含有95个可打印字符以外的字符时，则必须对这些字符进行编码

　　   当95个可打印字符中的特殊字符被用于特殊用途时，不能被编码，但如果被用于非特殊用途时也必须要进行编码，如上面=的用途。

          当95个可打印字符中没有特殊意义的安全字符，可以编码，也可以不编码

 

URL中的特殊字符（保留及受限字符）

 

 

 

URL的编码机制

URL的编码机制非常简单。

一个字符在字符集中的编码值就是一个数字。这个数字可能由一个或多个字节组成。

URL编码就是在这个字符对应的编码值的每个字节前加上%，并且用16进制来表示。

比如如果要编码a，a在ASCII字符集中的编码值为97（10进制），ASCII字符集都是单字节字符，那么二进制表示就是 0110 0001，十六进制表示就是61，所以进行编码后就是%61

即使是同一个字符，在不同的字符集中可能具有不同的编码值，而且可能由不同数目的字节组成。所以使用不同的字符集对字符进行的编码也不相同。

比如 "春" 字，在utf-8中的编码值为 "E6 98 A5" ，由3个字节组成，URL编码后就是"%E6%98%A5"。

而在GB2312中，"春" 字的编码值为"B4 BA"， 所以URL编码后就是"%B4%BA"

 

由于历史的原因，有一些Url编码实现并不完全遵循这样的机制

 

URL的编码的现状

网络标准RFC 1738对URL的字符组成做了硬性规定，没有规定具体的编码方法和编码字符集，而是交给应用程序（浏览器）自己决定。这导致"URL编码"成为了一个混乱的领域。

前辈们的关于浏览器的默认URL编码的结论如下。随着浏览器版本的更新以下结论可能并不适应，仅供参考，了解下现状。

 

结论1就是，网址路径的编码，用的是utf-8编码。 （测试方法：浏览器中直接输入网址）

结论2就是，查询字符串的编码，用的是操作系统的默认编码。（测试方法：浏览器中直接输入网址）

结论3就是，GET和POST方法的编码，用的是网页的编码。（测试方法：在已打开的网页上，直接用Get或Post方法发出HTTP请求）

　　这时的编码方法由网页的编码决定，也就是由HTML源码中字符集的设定决定。

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

结论4就是，在Ajax调用中，IE总是采用操作系统的默认编码，而Firefox总是采用utf-8编码。（测试方法：由Javascript生成HTTP请求，也就是Ajax调用）

 

由此可见，应用程序自己进行URL编码时，在服务器端无法判断使用了那种字符集进行的编码，所以在解码时就可能使用了错误的字符集进行解码，从而造成乱码。

 

解决这种问题的方法就是手动对URL用已知的字符集进行编码，不给应用程序插手的机会。如使用javaxcript中的encodeURI和encodeURIComponent等进行编码。

 

Javascript中的escape, encodeURI和encodeURIComponent的区别

安全字符不同：

• escape（69个）：*/@+-._0-9a-zA-Z
• encodeURI（82个）：!#$&'()*+,/:;=?@-._~0-9a-zA-Z
• encodeURIComponent（71个）：!'()*-._~0-9a-zA-Z

　　encodeURI比encodeURIComponent多了11个安全字符  # $ & + , / : ; = ? @

对Unicode字符的编码方式不同：

　　对于ASCII字符，这三个函数的编码方式相同，均是使用百分号+两位十六进制字符来表示。

　　对于Unicode字符，escape的编码方式是%uxxxx，其中的xxxx是用来表示unicode字符的4位十六进制字符。这种方式已经被W3C废弃了。但是在ECMA-262标准中仍然保留着escape的这种编码语法。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，保留字符一般是用来分隔URI组件（一个URI可以被切割成多个组件，参考预备知识一节）或者子组件（如URI中查询参数的分隔符），如：号用于分隔scheme和主机，?号用于分隔主机和路径。由于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，但是这些数据内部不能包含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，需要编码的字符就更多了。

　　

总结：

　　escape函数基本上被废弃，尽量不要使用。

　　encodeURI和encodeURIComponent都是使用utf-8进行URL编码。并且对各自的安全字符不会进行编码。两者的安全字符范围不同，如前面所说。

　　encodeURI不会对URL中的某些特殊字符进行编码，比如：/？&=@等等。因此可用于对整个URL进行编码。这里说的某些字符就是encodeURI比encodeURIComponent多了的11个安全字符

　　encodeURIComponent会对URL中的某些特殊字符进行编码，只能对某个URL组件或者子组件进行编码。比如传递参数中的值。

 

实例

 

 

 

 

 

 

由以上实例可以看出，当URL组件或者子组件内部不包含某些特殊字符时，可以直接使用encodeURI对整个URL进行编码，

如果URL当URL组件或者子组件内部包含某些特殊字符时，则不能使用encodeURI对整个URL进行编码，而是需要使用encodeURIComponent分别对各个组件或者子组件进行编码

 

 

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。