Was Prozentkodierung macht und warum derselbe Text auf drei Arten kodiert wird
Eine URL darf nur einen kleinen Satz von ASCII-Zeichen enthalten. Alles andere, vom Leerzeichen bis zu é oder 東, wird zuerst in Bytes umgewandelt, und jedes Byte wird als % mit zwei Hexadezimalziffern geschrieben (RFC 3986, Abschnitt 2.1). In UTF-8, das heute fast jede Website nutzt, belegt é zwei Bytes und wird zu %C3%A9, 東京 belegt sechs Bytes und wird zu %E6%9D%B1%E4%BA%AC. Das Dekodieren kehrt diese Schritte um, also muss der Decoder wissen, welcher Zeichensatz die Bytes erzeugt hat: %93%8C%8B%9E ergibt in Shift_JIS 東京 und in UTF-8 unlesbare Zeichen.
Wie kodiert wird, hängt vom Ziel ab. Ein Query-Wert oder Pfadsegment (encodeURIComponent in JavaScript) muss &, =, / und ? kodieren, damit sie nicht als Trennzeichen gelesen werden: Aus a b&c=d/é wird a%20b%26c%3Dd%2F%C3%A9. Eine vollständige Adresse (encodeURI) behält diese Zeichen, weil sie der URL ihre Struktur geben: a%20b&c=d/%C3%A9. HTML-Formulare senden application/x-www-form-urlencoded-Daten, in denen ein Leerzeichen + ist und nur * - . _ unverändert bleiben: a+b%26c%3Dd%2F%C3%A9. Alle drei Ergebnisse stammen von dieser Seite.
Ältere japanische, koreanische und chinesische Websites, Mailsysteme und Such-Logs nutzen noch Shift_JIS, EUC-JP, EUC-KR, GBK oder Big5. Browser können diese Zeichensätze lesen, schreiben aber nur UTF-8; deshalb baut diese Seite ihre Kodiertabellen aus dem Decoder des Browsers selbst: 検索 東京 wird in Shift_JIS zu %8C%9F%8D%F5%20%93%8C%8B%9E und in UTF-8 zu %E6%A4%9C%E7%B4%A2%20%E6%9D%B1%E4%BA%AC. Ist eine Zeile kein gültiges UTF-8, probiert die Seite die anderen Zeichensätze und zeigt eine Vorschau für jeden, der sie lesen kann. Kurze Bytefolgen können in mehreren Zeichensätzen gültig sein, und nur ein Mensch kann entscheiden, welche Lesart Sinn ergibt.
In echten Links tauchen zwei Probleme auf. Ein doppelt kodierter Link zeigt %2520, wo ein Leerzeichen stehen sollte, weil das % von %20 noch einmal als %25 kodiert wurde; die Seite bemerkt übrig gebliebene Codes im Ergebnis und bietet an, erneut zu dekodieren, bis zu fünf Durchgänge. Ein %, dem keine zwei Hexadezimalziffern folgen, etwa in „100% sicher“, bleibt wie im Browser ein wörtliches % und wird gezählt, damit Sie es prüfen können. In unserem Test dauerte das Dekodieren von 9.000 Analytics-Links (844.889 Zeichen) 48 ms und das Kodieren von 1.050.000 Zeichen 0,11 s. Der Editor fasst bis zu 2.000.000 Zeichen und verarbeitet lange Texte im Hintergrund.