基于网址URL中特殊字符转义编码

网址url中特殊字符转义编码

字符 - url编码值

空格 - %20
" - %22
# - %23
% - %25
& - %26
( - %28
) - %29
+ - %2b
, - %2c
/ - %2f
: - %3a
; - %3b
< - %3c
= - %3d
> - %3e
? - %3f
@ - %40
\ - %5c
| - %7c

url特殊字符转义，url中一些字符的特殊含义，基本编码规则如下：

1、空格换成加号(+)

2、正斜杠(/)分隔目录和子目录

3、问号(?)分隔url和查询

4、百分号(%)制定特殊字符

5、#号指定书签

6、&号分隔参数

如果需要在url中用到，需要将这些特殊字符换成相应的十六进制的值

+ %2b
/ %2f
? %3f
% %25
# %23
& %26

本文主要针对uri编解码的相关问题做了介绍，对url编码中哪些字符需要编码、为什么需要编码做了详细的说明，并对比分析了javascript 中和编解码相关的几对函数escape / unescape,encodeuri / decodeuri和encodeuricomponent / decodeuricomponent。

预备知识

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

uri是统一资源标识的意思，通常我们所说的url只是uri的一种。典型url的格式如上面所示。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size过大，包含隐私数据，对于url来说，之所以要进行编码，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key=value键值对这样的形式来传参，键值对之间以&符号分隔，如/s?q=abc& ie=utf-8。如果你的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&和= 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，这也就是说你不能在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，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。

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。

us-ascii字符集中没有对应的可打印字符

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: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。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	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

需要注意的是，对于url中的合法字符，编码和不编码是等价的，但是对于上面提到的 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之后才能出现在url中。

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——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。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，下面会提到。

javascript中的escape,encodeuri和encodeuricomponent的区别

javascript中提供了3对函数用来对url编码以得到合法的url，它们分别是escape / unescape,encodeuri / decodeuri和encodeuricomponent / decodeuricomponent。由于解码和编码的过程是可逆的，因此这里只解释编码的过程。

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，它们有以下几个不同点。

安全字符不同

下面的表格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）

	安全字符
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javascript1.0的时候就存在了，其他两个函数是在javascript1.5才引入的。但是由于 javascript1.5已经非常普及了，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字符的编码方式相同，均是使用百分号+两位十六进制字符来表示。但是对于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。

表单提交

当html的表单被提交时，每个表单域都会被url编码之后才在被发送。由于历史的原因，表单使用的url编码实现并不符合最新的标准。例如对于空 格使用的编码并不是%20，而是+号，如果表单使用的是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种非标准实现的url编码，但是在客户端 javascript中，并没有一个函数能够将+号解码成空格，只能自己写转换函数。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。例如我们在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，则浏览器会根据当前用户喜好去自动选择字符集，用户也可以强制当前网站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。

文档字符集会影响encodeuri吗？

之前在使用aptana（为什么专指aptana下面会提到）遇到一个很迷惑的问题，就是在使用encodeuri的时候，发现它编码得到的结果和我想的很不一样。下面是我的示例代码：

<!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> 

运行结果输出%e6%b6%93%ee%85%9f%e6%9e%83。显然这并不是使用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）。

所以我当时就很质疑，难道encodeuri还跟页面编码有关，但是我发现，正常情况下，如果你使用gb2312进行url编码也不会得到这个结果的才是。后来终于被我发现，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。但是由于meta标签中指定了 gb2312，这个时候，浏览器就会按照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，因为“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。

其他和url编码相关的问题

对于包含中文的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。

以上为个人经验，希望能给大家一个参考，也希望大家多多支持。