前言

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。

为何会引起歧义

  • 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。

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的编码原则

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。

RFC调用java rfc url_RFC调用java

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

注意事项

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。

  • 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。