理清URL编码

URL中，什么字符需要编码？

关于URL编码，RFC1738做了如下的规定：

“Only alphanumerics [0-9a-zA-Z], the special characters “$-_.+!*’(),” [not including the quotes - ed], and reserved characters used for their reserved purposes may be used unencoded within a URL.”

RFC继而说明了保留字、特殊符号、不安全字符的含义——也就是说，下面三类字符可以不经过编码，直接出现在URL上：

• [0-9a-zA-Z]
• 特殊字符：$-_.+!*’(),
• 保留字符：&/:;=?@

为了让我们思路更清晰，我们再总结一下，哪些字符必须要编码：

• ASCII表中没有对应可显示字符的，例如汉字
• 不安全字符，包括：#”%<>[]{}|\^`~
• 不当做保留字符来使用的保留字符，即&/:;=?@

详见这张图，一目了然（点击看大图）：

URL编码在ASCII表中的体现

如何编码？

众所周知，字符是可由八位字节数（octet）来表示的，八位字节数可用十六进制来表示它的值。如字符“<”的八位字节数十六进制值是3C。在URL中，字符的编码方式为：“%”加上字符的两个十六进制数值。举几个例子：

• “<”可以被编码为%3C，空格“SP”可被编码为“%20”
• “田”的GB2312编码十六进制值是CC EF，这时“田”的URL编码为%CC%EF
• “囧”的GBK编码十六进制值是87 E5，这时“囧”的URL编码为%87%E5
• “田”的UTF-8编码十六进制值是E7 94 B0，这时“田”的URL编码为%E7%94%B0

URL中包含汉字时的更多话题

RFC1738没有规定汉字的编码方式，而是让浏览器自己去决定，因此造成了URL汉字编码的不统一。经过研究，对于URL中的“查询字符串”和“路径”中包含汉字，不同浏览器有不同的处理。

1. 查询字符串中包含汉字

在网址输入：http://www.baidu.com/s?wd=田囧 ，敲击回车，使用Fiddler观察浏览器发出的请求（以IE8和Firefox为例）：

查询字符串中含有中文

IE8将汉字作为GBK编码，直接发往服务器（这其实是不符合RFC规范的）；Firefox则多了一次加%的操作。Windows操作系统是GBK编码。得到结论，地址栏直接访问URL，汉字作为查询字符串(Query string)时，IE和Firefox会使用系统编码发至服务器端，Firefox会按规矩编码。

注意1：不要用Google进行测试，Google的搜索URL（类似：http://www.google.com/#hl=en&source=hp&q=田囧 ），搜索关键词那里不是查询字符串，因为前面有个#……我开始没注意到，被搞迷茫了很久……

注意2：这只是对URL直接访问的规律。如果页面时从链接点击打开的，例如从A页面含中文的链接打开了B页面，那么浏览器对中文的编码取决于A页面的编码。

2. URL路径中包含汉字

在网址直接输入：http://www.hudong.com/wiki/田囧 ，敲击回车，观察请求：

路径中含有中文

IE8和Firefox都把汉字作为UTF8，按规范进行了URL编码，还好。

总结

什么字符应该编码，什么字符不用编码，URL编码的基本问题，到此已经解决啦。