编码揭秘：解构字符%20背后的秘密与百分号编码艺术

2024-03-26 09:00 由 -云- 发表于 #前端开发

前言

提到这个 %20，想必大家都见过，熟悉一点编码的人，还会知道这玩意就是空格转换而来！那么我们一起破解，如何编码而来？

我们今天继续学习前端编码知识，其他编码文章：

前端Base64编码知识，一文打尽，探索起源，追求真相。
localStorage灵魂五问。 5M？？ 10M !!!
字母a的6种表示方法，以及其背后的编码知识

之后再补上

UTF-16 编码
UTF-8 编码

前端所需要的基本编码知识体系就基本形成。

更多前端基础进阶知识，可以

关注专栏前端基础进阶,
关注公众号成长的程序世界，
进交流群dirge-cloud

Unicode基础知识

Unicode 只是一个字符集, 其为每个字符提供了一个编号，我们称之为码点。

Unicode 可以使用的编码有三种，分别是：

UFT-8：一种 变长的编码方案，使用 1~6 个字节来存储。
UTF-16：对于码点小于0xFFFF(65535)的字符，两个字节存储，反之采用 4个字节来存储。
UFT-32：一种 固定长度的编码方案，不管字符编号大小，始终使用 4 个字节来存储。

所以UTF-8个UTF-16都属于变长编码方案，而UTF-32属于固定长度编码方案。

固定长度编码方案优点当然是简单啊，缺点嘛，费空间，这就是为嘛还要有UTF-16和UTF-8。

我们网络传输常用 UTF-8, 而javascript运行时的字符编码是 UTF-16.

`%20`怎么来的

我们看看，我们怎么样可以得到这个%20:

escape(" ")              "%20"
encodeURI(" ")           "%20"
encodeURIComponent(" ")  "%20"

其是字符的16进制格式值，是百分号编码，之后会细说。

怎么获得这个编码，写一个简单的方法你就懂了

function to16Format(ch){
    return '%' + ch.codePointAt(0).toString(16)
}

to16Format(" ")  //  "%20"

虽然3个方法都能获得同样的值，
很少有人告诉你 esacpe是基于UTF-16，而另外两个是基于 UTF-8, 看个例子：

0-0xFF码点范围编码结果是一致的，
0xFF以上，结果就不一样了，原理我们后面说。

escape("")         //%20
encodeURI("")      //%20

escape("人")       // "%u4EBA" 
encodeURI("人")    // "%E4%BA%BA"

escape("𣑕")       //  %uD84D%uDC55
encodeURI("𣑕")    //  "%F0%A3%91%95"

小结一下：

escape，encodeURI和encodeURIComponent 对空格编码 " "均能得到 20%
escape进行的是UTF-16编码，后两者是UTF-8编码，只是码点0xFF以下的编码结果一致罢了

当然，不是所有的字符都会被编码，接下来一起看哪些字符不会被编码。

哪些字符不会被编码

%20，就不得不提到我们的常用编码的三对姊妹：

escape (unescape) 已过时
encodeURI (decodeURI)
encodeURIComponent (decodeURIComponent)

我们先把A-Z a-z 0-9单独列出来，因为都是不会被编码的，看看哪些字符不会被编码。

系列	保留字符	编码
escape	`@ * _ + - . /`	UTF-16
encodeURI	`- _ . ! ~ * ' ( ) ; , / ? : @ & = + $ #`	UTF-8
encodeURIComponent	`- _ . ! ~ * ' ( )`	UTF-8

编码之 escape

简单来说，escape是生成新的由十六进制转义序列替换的字符串，作用是让它们在所有电脑上可读。
编码之后的效果是%XX或者%uXXXX这种形式。
当你需要对URL编码时，请使用 encodeURI 或者 encodeURIComponent。

划重点：基于UTF-16进行编码

UTF-16字符编码，对于码点大于0xFFFF的字符，其编码结果是分高低位的， charCodeAt(0)可以获得高位， charCodeAt(1)可以获得低位。

escape之码点大于0xFFFF的字符

转义为两个%uXXXX

先直接看代码结果：

var ch = String.fromCodePoint(0x23455);  // "𣑕"
escape(ch)  // '%uD84D%uDC55'  码点大于 0xFFFF
unescape(escape(ch)) // "𣑕"

ch.charCodeAt(0).toString(16).toUpperCase();  // 高位
// 'D84D'
ch.charCodeAt(1).toString(16).toUpperCase();  // 低位
// 'DC55'

看着结论就知道了，和charCodeAt的逻辑处理一致。都是返回UTF-16编码的高低位编码。

编码之 encodeURI

由于 URL 只能由标准 ASCII 字符组成，因此必须对其他特殊字符进行编码。它们将被代表 utf-8编码的一系列不同字符所取代。
encodeURI 和 encodeURIComponent 用于此目的。

划重点，encodeURI 和 encodeURIComponent 采用的是UTF-8编码。

先看看码点和UTF-8编码格式，以及需要的字节数。

Unicode 码点范围（十六进制）	十进制范围	UTF-8 编码方式（二进制）	字节数
`0000 0000 ~ 0000 007F`	`0 ~ 127`	`0xxxxxxx`	1
`0000 0080 ~ 0000 07FF`	`128 ~ 2047`	`110xxxxx 10xxxxxx`	2
`0000 0800 ~ 0000 FFFF`	`2048 ~ 65535`	`1110xxxx 10xxxxxx 10xxxxxx`	3
`0001 0000 ~ 0010 FFFF`	`65536 ~ 1114111`	`11110xxx 10xxxxxx 10xxxxxx 10xxxxxx`	4

我们先看看 人 字：

获取其码点 4eba

var codePoint = "人".codePointAt(0).toString(16)  // `4eba`

其位于 0000 0800 ~ 0000 FFFF, 格式为1110xxxx 10xxxxxx 10xxxxxx, 需要三个字节
encodeURI, 可以看到是三个 %XX

encodeURI("人")  // %E4%BA%BA

这里我们省略了具体的编码过程，具体的编码结果验证可以去 Convert UTF8 to Binary Bits - Online UTF8 Tools 验证

最终编码结果: 11100100 10111010 10111010

(0b11100100).toString(16).toUpperCase()  // E4
(0b10111010).toString(16).toUpperCase()  // BA
(0b10111010).toString(16).toUpperCase()  // BA

encodeURI("人") // %E4%BA%BA => E4 BA BA

再推导一下𣑕字

码点是 0x23455
0001 0000 ~ 0010 FFFF之间，格式为 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx, 需四个字节
encodeURI, 其由四个%XX组成

encodeURI("𣑕")    //  "%F0%A3%91%95"

编码之 encodeURIComponent

既然有encodeURI为嘛还要来一个encodeURIComponent呢？

其用于对地址后的 参数值进行编码, 我们通常称呼为queryString。

看个例子：

var param = "http://www.yyy.com"; //param为参数 
param = encodeURIComponent(param); 
var url = "http://www.xxxx.com?target=" + param;

同理下面的?之后的部分空键=啊哈&type=x，键值对均需要encodeURIComponent进行编码。

http://wwww.xxxyyy.com/哈 哈?空 键=啊 哈&type=x

其实吧，现代浏览器，默认都会自行进行编码，你不妨把上面的地址贴到浏览器:

application/x-www-form-urlencoded

对于 application/x-www-form-urlencoded (POST) 这种数据方式，也是需要编码的。

其编码规则：

数据被编码成以 '&' 分隔的键-值对, 同时以 '=' 分隔键和值.
非字母或数字的字符会被 percent-encoding

我们先一起看看 percent-encoding（百分号编码）。

percent-encoding

百分比编码(也有叫百分号编码的) 是一种拥有8位字符编码的编码机制，这些编码在URL的上下文中具有特定的含义。它有时被称为URL编码。编码由英文字母替换组成：“%” 后跟替换字符的ASCII的十六进制表示。

它广泛地应用于主统一资源标志符/统一资源定位符集(URI) ，其中包括 URL 和统一资源名(URN)。
它还用于准备应用 application/x-www-form-urlencoded 媒体类型的数据，这通常用于在 HTTP 请求中提交 HTML 表单数据。

URI所允许的字符分作保留与未保留。保留字符是那些具有特殊含义的字符，例如：斜线字符用于URL（或URI）不同部分的分界符；未保留字符没有这些特殊含义。百分号编码把保留字符表示为特殊字符序列。

保留字符

保留字符需要编码，其有： ':'，'/'，'?'，'#'，'['，']'，'@'，'!'，'$'，'&'，"'"，'('，')'，'*'，'+'，','，';'，'='，以及，'%' 本身，以及一个空格 " "。

percent-encoding编码对照表请参见：percent-encoding | MDN

非保留字符

不需要被编码，直接使用就行。

A-Z
a-z
0-9
- _ . ~

特殊的字符 `" "`，

其在作为URL的时候，编码是转为 %20
post提交（application/x-www-form-urlencoded）替换为 +

那么，我们这里直接使用 encodeURLComponent编码值和键，能行吗？

答案是不行：

百分比编码需要编码特殊字符的是 20个（加上 ' '）

: / ? # [ ] @ ! $ & ' ( ) * + , ; = %

encodeURLComponent不编码的字符是 9 个：

- _ . ! ~ * ' ( )

所以还需要额外编码为： ['!', "'", '(', ')', '*']，怎么计算而得，参见下面代码：

var percentChars = [':', '/', '?', '#', '[', ']', '@', '!', '$', '&', "'", '(', ')', '*', '+', ',', ';', '=', '%', ' '];
var eURICChars =   ['-', '_', '.', '!', '~', '*', "'", '(', ')'];

var notInPChars = percentChars.filter(c=> eURICChars.includes(c));

console.log("notInPChars:", notInPChars);
// notInPChars: (5) ['!', "'", '(', ')', '*']

所以，完整的编码应该如下：

function encodeValue(val)
{
   var eVal = encodeURIComponent(val);
 
   // 单独处理encodeURIComponent不编码的字符
   eVal = eVal.replace(/\*/g, '%2A');
   eVal = eVal.replace(/!/g, '%21');
   eVal = eVal.replace(/\(/g, '%28');
   eVal = eVal.replace(/\)/g, '%29');
   eVal = eVal.replace(/'/g, '%27');
 
   // 特殊处理空格字符
   return eVal.replace(/\%20/g,'+');
}

Content-Disposition: attachment; filename

我们后台返回文件的时候，如果指定Content-Disposition: attachment并设定好filename，客户端收到请求后是可以直接进行文件下载的。问题就在于这个filename，其也是需要被编码的，我们了解一下即可：

参考MDN:

var fileName = 'my file(2).txt';
var header = "Content-Disposition: attachment; filename*=UTF-8''"
             + encodeRFC5987ValueChars(fileName);

console.log(header);
// 输出 "Content-Disposition: attachment; filename*=UTF-8''my%20file%282%29.txt"


function encodeRFC5987ValueChars (str) {
    return encodeURIComponent(str).
        // 注意，尽管 RFC3986 保留 "!"，但 RFC5987 并没有
        // 所以我们并不需要过滤它
        replace(/['()]/g, escape). // i.e., %27 %28 %29
        replace(/\*/g, '%2A').
            // 下面的并不是 RFC5987 中 URI 编码必须的
            // 所以对于 |`^ 这3个字符我们可以稍稍提高一点可读性
            replace(/%(?:7C|60|5E)/g, unescape);
}

其比 percent-encoding又还有些区别，注释里面写得很清楚。 我真想说，搞那么多协议不累吗？

看到注册，我们可以看到 RFC3986， RFC5987等协议，我们一起了解一下。

RFC3986 ，RFC1738 ，RFC5987

RFC3986， RFC1738是关于URI的编码规范，RFC5987是关于http协议文件头字段的规范。

RFC3986
2005年发布，现行标准。文档对URL的编解码问题做出了详细的建议，指出了哪些字符需要被编码才不会引起Url语义的转变，以及对为什么这些字符需要编码做出了相应的解释
RFC 1738
94年发布。同上。
RFC5987
Character Set and Language Encoding for Hypertext Transfer Protocol (HTTP) Header Field Parameters。翻译：超文本传输协议文件头字段参数的字符集和语言编码，对http传输头部字符串编码的规范。

你会发现很多代码还会处理~符号，虽然RFC3986文档规定，对于波浪符号~，不需要进行Url编码，但是还是有很多老的网关或者传输代理。

兼容性好的代码，会兼容处理 RFC1738，比如著名的qs库的 formats.js

window.btoa 和window.atob

window.btoa可以进字符进行base64编码, window.atob可以解码。

window.btoa("abcd")      // "YWJjZA=="
window.atob("YWJjZA==")  // "abcd"

但是其职能编码ASCII 字符串，试试中文：

window.btoa("人")  
// Uncaught DOMException: Failed to execute 'btoa' on 'Window':
// The string to be encoded contains characters outside of the Latin1 range.

怎么解决呢？

// ucs-2 string to base64 encoded ascii
function utoa(str) {
    return window.btoa(unescape(encodeURIComponent(str)));
}
// base64 encoded ascii to ucs-2 string
function atou(str) {
    return decodeURIComponent(escape(window.atob(str)));
}

验证一下, 完美。

utoa("人")     //5Lq6
atou("5Lq6")   //人

那么这是什么思路呢？？？

encodeURIComponent 将字符转为百分比utf-8字节存储为% XX 之后，unescape 将它们转换为 btoa 所要求的单个代码点。因此，btoa (unescape (encodeURIComponent (str)))都将文本编码为 utf-8字节，然后将其编码为 Base64。

虽然，你去掉中间的unescape和escape也可以正常使用，但是必须搭配使用啦。
但是，已经不是标准的utf-8转为Base64了。

自己玩：

window.btoa(encodeURIComponent("我是人a")) 
// JUU2JTg4JTkxJUU2JTk4JUFGJUU0JUJBJUJBYQ==
decodeURIComponent(window.atob("JUU2JTg4JTkxJUU2JTk4JUFGJUU0JUJBJUJBYQ=="))
// 我是人a

标准base解码，已经得不到正确结果：

总结

%20 是escape或者URL编码得到的结果，对应着空字符 " "。也可是说是百分号编码。
escape是把字符串转为十六进制转义序列，作用是让它们在所有电脑上可读。已过时，现在也没啥用。
encodeURI 是URL编码，不处理参数部分
encodeURIComponent 也是URL编码
主要用于
- url的参数部分
- post 数据类型为application/x-www-form-urlencoded
- 附件文件名 filename
RFC3986 ，RFC1738 是URL编码协议
RFC5987 是http传输头部字符串编码的规范
window.btoa 和window.atob 默认只能处理ASCII码字符，在encodeURIComponent和escape的配合下，可以处理任意字符。

最后提一个问题：
百分号编码和 escape, encodeURI, encodeURIComponent是什么关系?

写在最后

不忘初衷，有所得，而不为所累，如果你觉得不错，你的一赞一评就是我前行的最大动力。

技术交流群请到这里来。
或者添加我的微信 dirge-cloud，一起学习。

引用

escape (string)
encodeURI
encodeURIComponent
escape,encodeURI,encodeURIComponent有什么区别
 percent-encoding | MDN
Percent-encoding | wikipedia
百分号编码 | 中文维基
 Converting to Base64 in JavaScript without Deprecated 'Escape' call

热门相关：勇闯天涯锦绣田园：医女嫁贤夫九阳剑圣恐怖复苏龙皇武神

前言