混亂的 URLEncode

发表于2010-11-25 14:23:05

因為噗浪朋友的，讓我興起了想要整理一些關於 URLEncode 的問題，整理一下才發現每個語言都有不同的函式來處理關於 URLEncode 的問題。

先說為什麼需要作 URLEncode，規範了哪些字元是作為保留字（如：!、@、/、?等），如果URL中使用到了這些保留字，就必須將它編碼為「%HEXHEX」的形式，舉例來說，「空白字元」的 ASCII code 是32，所以會被編碼為 %20，而其它 non-ASCII 字元（如：中文字）則以 UTF-8 字元編碼後的位元組來編碼成 %HEXHEX 的形式。

如果有一個字串是：「This is my **書本**」，根據 RFC 3986 的定義，作完 URL encode 之後應該會變成「This%20is%20my%20%2A%2A%E6%9B%B8%E6%9C%AC%2A%2A」。

那什麼時候會需要對文字作 URL encode 呢？比方說， 提供了一個分享網頁到個人塗鴨牆（Wall）的作法，那就是將欲分享的網頁URL，比方說是 ，只要將它作為參數（u傳給就可以了，但你千萬不能寫成：

，而是必須將它作 URL encode 之後，組合成：

這樣才是正確的。

若是你在瀏覽器的網址列直接輸入前者也會正確，那是因為瀏覽器會幫你作了 url encode

。

不過，在 RFC 3986 之前， 也有為 GET/POST 在傳遞參數時的 url encode 方式作定義，基本上也是 encode 成 %HEXHEX 的形式，保留字跟 RFC 3986 的有部份出入，不過就沒有限定一定是 UTF-8 的文字編碼了，而且還有一個重點－－「空白字元」會被編碼成 + 而不是 %20。所以「This is a book」就會被編碼成「This+is+a+book」。

常用語言的函式庫

因為有這樣的差異，所以開發人員在使用函式庫的時候常常會搞混什麼時候該用／不該用什麼函式，以 PHP 來說就分為兩組函式：

• urlencode / urldecode

  簡單地說就是以 HTTP 所使用的 application/x-www-form-urlencoded 的編碼規則，也就是會將空白字元編碼成 + 而不是%20。

• rawurlencode / rawurldecode

  按照 RFC 3986 所定義的方式來作編碼。

Python 版本的話就是：

• urllib.urlencode / urllib.urldecode

  會把空白字元編碼成 +

• 目前要使用 Python 3 以後的 urllib.parse.urlencode 才會按照 RFC 3986 的方式來作編碼，若是 2.x 的版本就要另外處理或是找 3rd-party 資料庫來做。

JavaScript 的 encodeURI 或是 encodeURIComponent （兩者僅相差一些保留字是否要作編碼，如 #）目前則是都使用 RFC 3986 的方式來作編碼，所以要作 application/x-www-form-urlencoded 的編碼時（AJAX POST），就要自己把 %20 替換成 + （jQuery 目前的程式碼就是這樣做的）

Java 的 java.net.URLEncoder.encode 這個 method 也是編碼成 application/x-www-form-urlencoded 的方式，如果要遵照 RFC 3986 的定義，則可以自行再把 + 替換成 %20 即可。