Qué hace la codificación porcentual y por qué el mismo texto se codifica de tres maneras
Una URL solo puede contener un pequeño conjunto de caracteres ASCII. Todo lo demás, desde un espacio hasta é o 東, se convierte primero en bytes, y cada byte se escribe como % seguido de dos dígitos hexadecimales (RFC 3986, sección 2.1). En UTF-8, que usan hoy casi todos los sitios, é ocupa dos bytes y se convierte en %C3%A9, y 東京 ocupa seis bytes y se convierte en %E6%9D%B1%E4%BA%AC. Decodificar deshace esos pasos, así que el decodificador necesita saber qué juego de caracteres produjo los bytes: %93%8C%8B%9E se lee como 東京 en Shift_JIS y como símbolos ilegibles en UTF-8.
La codificación depende del destino del texto. Un valor de consulta o un segmento de ruta (encodeURIComponent en JavaScript) debe codificar &, =, / y ? para que no se lean como separadores: a b&c=d/é se convierte en a%20b%26c%3Dd%2F%C3%A9. Una dirección completa (encodeURI) conserva esos caracteres, porque dan su estructura a la URL: a%20b&c=d/%C3%A9. Los formularios HTML envían datos application/x-www-form-urlencoded, donde un espacio es + y solo * - . _ quedan tal cual: a+b%26c%3Dd%2F%C3%A9. Los tres resultados salen de esta página.
Algunos sitios japoneses, coreanos y chinos antiguos, sistemas de correo y registros de búsqueda siguen usando Shift_JIS, EUC-JP, EUC-KR, GBK o Big5. Los navegadores pueden leer estos juegos, pero solo escriben UTF-8, así que esta página construye sus tablas de codificación a partir del propio decodificador del navegador: 検索 東京 se convierte en %8C%9F%8D%F5%20%93%8C%8B%9E en Shift_JIS y en %E6%A4%9C%E7%B4%A2%20%E6%9D%B1%E4%BA%AC en UTF-8. Cuando una línea no es UTF-8 válido, la página prueba los otros juegos y muestra una vista previa de cada uno que la lee. Una cadena corta de bytes puede ser válida en más de un juego, y solo una persona puede decidir qué lectura tiene sentido.
En los enlaces reales aparecen dos problemas. Un enlace codificado dos veces muestra %2520 donde debería haber un espacio, porque el % de %20 se volvió a codificar como %25; la página detecta los códigos que quedan en el resultado y ofrece decodificar otra vez, hasta cinco rondas. Un % que no va seguido de dos dígitos hexadecimales, como en 100% seguro, se conserva como % literal, igual que hacen los navegadores, y se cuenta para que lo revises. En nuestra prueba, decodificar 9.000 enlaces de analítica (844.889 caracteres) tardó 48 ms y codificar 1.050.000 caracteres tardó 0,11 s. El editor admite hasta 2.000.000 de caracteres y procesa los textos largos en segundo plano.