Ce que fait l’encodage pourcent, et pourquoi un même texte s’encode de trois façons
Une URL ne peut contenir qu’un petit ensemble de caractères ASCII. Tout le reste, d’une espace à é ou 東, est d’abord converti en octets, et chaque octet s’écrit % suivi de deux chiffres hexadécimaux (RFC 3986, section 2.1). En UTF-8, utilisé aujourd’hui par presque tous les sites, é occupe deux octets et devient %C3%A9, et 東京 occupe six octets et devient %E6%9D%B1%E4%BA%AC. Le décodage refait le chemin inverse, donc le décodeur doit savoir quel jeu de caractères a produit les octets : %93%8C%8B%9E se lit 東京 en Shift_JIS et donne des symboles illisibles en UTF-8.
L’encodage dépend de la destination du texte. Une valeur de requête ou un segment de chemin (encodeURIComponent en JavaScript) doit encoder &, =, / et ? pour qu’ils ne soient pas lus comme séparateurs : a b&c=d/é devient a%20b%26c%3Dd%2F%C3%A9. Une adresse complète (encodeURI) garde ces caractères, car ils donnent sa structure à l’URL : a%20b&c=d/%C3%A9. Les formulaires HTML envoient des données application/x-www-form-urlencoded, où l’espace devient + et où seuls * - . _ restent tels quels : a+b%26c%3Dd%2F%C3%A9. Les trois résultats viennent de cette page.
Des sites japonais, coréens et chinois anciens, des messageries et des journaux de recherche utilisent encore Shift_JIS, EUC-JP, EUC-KR, GBK ou Big5. Les navigateurs savent lire ces jeux mais n’écrivent que l’UTF-8 ; cette page construit donc ses tables d’encodage à partir du décodeur du navigateur lui-même : 検索 東京 devient %8C%9F%8D%F5%20%93%8C%8B%9E en Shift_JIS et %E6%A4%9C%E7%B4%A2%20%E6%9D%B1%E4%BA%AC en UTF-8. Quand une ligne n’est pas de l’UTF-8 valide, la page essaie les autres jeux et affiche un aperçu de chacun de ceux qui la lisent. Une courte suite d’octets peut être valide dans plusieurs jeux, et seule une personne peut dire quelle lecture a du sens.
Deux problèmes reviennent dans les liens réels. Un lien encodé deux fois affiche %2520 là où il devrait y avoir une espace, parce que le % de %20 a été encodé à nouveau en %25 ; la page repère les codes restés dans le résultat et propose de décoder encore, jusqu’à cinq passes. Un % qui n’est pas suivi de deux chiffres hexadécimaux, comme dans « sûr à 100% », est gardé tel quel, comme le font les navigateurs, et compté pour que vous puissiez vérifier. Lors de notre test, décoder 9 000 liens d’analyse (844 889 caractères) a pris 48 ms et encoder 1 050 000 caractères 0,11 s. L’éditeur accepte jusqu’à 2 000 000 de caractères et traite les longs textes en arrière-plan.