百分号编码做了什么,以及同一段文本为什么有三种编码方式
URL 中只能出现一小部分 ASCII 字符。其他字符,从空格到 é 或 东,都要先转换成字节,每个字节写成 % 加两位十六进制数(RFC 3986 第 2.1 节)。如今几乎所有网站都使用 UTF-8:é 占两个字节,编码为 %C3%A9;東京 占六个字节,编码为 %E6%9D%B1%E4%BA%AC。解码就是把这些步骤倒过来,因此解码器必须知道字节是用哪种字符集生成的:%93%8C%8B%9E 按 Shift_JIS 读是 東京,按 UTF-8 读则是乱码。
编码方式取决于文本要放在哪里。查询参数值或路径片段(JavaScript 中的 encodeURIComponent)必须编码 &、=、/ 和 ?,以免被当作分隔符:a b&c=d/é 变成 a%20b%26c%3Dd%2F%C3%A9。完整地址(encodeURI)会保留这些字符,因为它们构成了 URL 的结构:a%20b&c=d/%C3%A9。HTML 表单发送 application/x-www-form-urlencoded 数据,其中空格写成 +,只有 * - . _ 保持原样:a+b%26c%3Dd%2F%C3%A9。这三个结果都来自本页面。
一些较旧的中文、日文和韩文网站、邮件系统和搜索日志仍在使用 GBK、Big5、Shift_JIS、EUC-JP 或 EUC-KR。浏览器能读取这些字符集,却只能写出 UTF-8,所以本页面用浏览器自带的解码器生成编码表:検索 東京 按 Shift_JIS 编码为 %8C%9F%8D%F5%20%93%8C%8B%9E,按 UTF-8 编码为 %E6%A4%9C%E7%B4%A2%20%E6%9D%B1%E4%BA%AC。当某一行不是有效的 UTF-8 时,页面会尝试其他字符集,并为每个能读出这一行的字符集显示预览。较短的字节序列可能在多个字符集中都有效,只有人才能判断哪种读法说得通。
实际链接中常见两个问题。编码了两次的链接会在本该是空格的地方显示 %2520,因为 %20 中的 % 又被编码成了 %25;页面发现结果中还残留编码时,会提示再解码一次,最多五轮。如果 % 后面没有跟两位十六进制数,例如“100% 确定”,页面会像浏览器一样保留这个 %,并计数供你检查。在我们的测试中,解码 9,000 条统计链接(844,889 个字符)用了 48 ms,编码 1,050,000 个字符用了 0.11 秒。编辑器最多可容纳 2,000,000 个字符,长文本在后台处理。