Cosa fa la codifica percentuale e perché lo stesso testo si codifica in tre modi
Un URL può contenere solo un piccolo insieme di caratteri ASCII. Tutto il resto, da uno spazio a é o 東, viene prima trasformato in byte, e ogni byte si scrive come % seguito da due cifre esadecimali (RFC 3986, sezione 2.1). In UTF-8, usato oggi da quasi tutti i siti, é occupa due byte e diventa %C3%A9, mentre 東京 occupa sei byte e diventa %E6%9D%B1%E4%BA%AC. La decodifica percorre la strada inversa, quindi il decodificatore deve sapere quale set di caratteri ha prodotto i byte: %93%8C%8B%9E si legge 東京 in Shift_JIS e come simboli illeggibili in UTF-8.
La codifica dipende da dove va il testo. Un valore di query o un segmento di percorso (encodeURIComponent in JavaScript) deve codificare &, =, / e ? perché non vengano letti come separatori: a b&c=d/é diventa a%20b%26c%3Dd%2F%C3%A9. Un indirizzo completo (encodeURI) mantiene questi caratteri, perché danno struttura all’URL: a%20b&c=d/%C3%A9. I moduli HTML inviano dati application/x-www-form-urlencoded, dove lo spazio è + e solo * - . _ restano invariati: a+b%26c%3Dd%2F%C3%A9. Tutti e tre i risultati vengono da questa pagina.
Siti giapponesi, coreani e cinesi meno recenti, sistemi di posta e log di ricerca usano ancora Shift_JIS, EUC-JP, EUC-KR, GBK o Big5. I browser sanno leggere questi set ma scrivono solo UTF-8, perciò questa pagina costruisce le sue tabelle di codifica partendo dal decodificatore del browser stesso: 検索 東京 diventa %8C%9F%8D%F5%20%93%8C%8B%9E in Shift_JIS e %E6%A4%9C%E7%B4%A2%20%E6%9D%B1%E4%BA%AC in UTF-8. Quando una riga non è UTF-8 valido, la pagina prova gli altri set e mostra un’anteprima di ciascuno che riesce a leggerla. Una breve sequenza di byte può essere valida in più set, e solo una persona può dire quale lettura abbia senso.
Nei link reali si presentano due problemi. Un link codificato due volte mostra %2520 dove dovrebbe esserci uno spazio, perché il % di %20 è stato codificato di nuovo come %25; la pagina si accorge dei codici rimasti nel risultato e propone di decodificare ancora, fino a cinque passaggi. Un % non seguito da due cifre esadecimali, come in «sicuro al 100%», resta un % letterale, come fanno i browser, e viene contato perché tu possa controllarlo. Nel nostro test, decodificare 9.000 link di analytics (844.889 caratteri) ha richiesto 48 ms e codificare 1.050.000 caratteri 0,11 s. L’editor accetta fino a 2.000.000 di caratteri ed elabora i testi lunghi in background.