O que a codificação por porcentagem faz e por que o mesmo texto pode ser codificado de três jeitos
Uma URL só pode conter um pequeno conjunto de caracteres ASCII. Todo o resto, de um espaço a é ou 東, primeiro vira bytes, e cada byte é escrito como % seguido de dois dígitos hexadecimais (RFC 3986, seção 2.1). Em UTF-8, usado hoje por quase todos os sites, é ocupa dois bytes e vira %C3%A9, e 東京 ocupa seis bytes e vira %E6%9D%B1%E4%BA%AC. Decodificar desfaz esses passos, então o decodificador precisa saber qual conjunto de caracteres gerou os bytes: %93%8C%8B%9E é lido como 東京 em Shift_JIS e como símbolos ilegíveis em UTF-8.
A codificação depende de para onde o texto vai. Um valor de consulta ou segmento de caminho (encodeURIComponent no JavaScript) precisa codificar &, =, / e ? para que não sejam lidos como separadores: a b&c=d/é vira a%20b%26c%3Dd%2F%C3%A9. Um endereço completo (encodeURI) mantém esses caracteres, porque eles dão estrutura à URL: a%20b&c=d/%C3%A9. Formulários HTML enviam dados application/x-www-form-urlencoded, em que o espaço é + e só * - . _ ficam como estão: a+b%26c%3Dd%2F%C3%A9. Os três resultados saem desta página.
Sites japoneses, coreanos e chineses mais antigos, sistemas de e-mail e logs de busca ainda usam Shift_JIS, EUC-JP, EUC-KR, GBK ou Big5. Os navegadores leem esses conjuntos, mas só escrevem UTF-8, então esta página monta suas tabelas de codificação a partir do próprio decodificador do navegador: 検索 東京 vira %8C%9F%8D%F5%20%93%8C%8B%9E em Shift_JIS e %E6%A4%9C%E7%B4%A2%20%E6%9D%B1%E4%BA%AC em UTF-8. Quando uma linha não é UTF-8 válido, a página testa os outros conjuntos e mostra uma prévia de cada um que consegue lê-la. Sequências curtas de bytes podem ser válidas em mais de um conjunto, e só uma pessoa consegue dizer qual leitura faz sentido.
Dois problemas aparecem em links reais. Um link codificado duas vezes mostra %2520 onde deveria haver um espaço, porque o % de %20 foi codificado de novo como %25; a página percebe os códigos que sobraram no resultado e oferece decodificar outra vez, em até cinco rodadas. Um % que não é seguido de dois dígitos hexadecimais, como em 100% certo, é mantido como % literal, do mesmo jeito que os navegadores fazem, e contado para você conferir. No nosso teste, decodificar 9.000 links de analytics (844.889 caracteres) levou 48 ms e codificar 1.050.000 caracteres levou 0,11 s. O editor aceita até 2.000.000 de caracteres e processa textos longos em segundo plano.