编码揭秘:解构字符%20背后的秘密与百分号编码艺术

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:

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

  1. 关注专栏 前端基础进阶,
  2. 关注公众号成长的程序世界
  3. 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:

  1. escape,encodeURI和encodeURIComponent 对空格编码 " "均能得到 20%
  2. 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 字:

  1. 获取其码点 4eba
var codePoint = "人".codePointAt(0).toString(16)  // `4eba`
  1. 其位于 0000 0800 ~ 0000 FFFF, 格式为1110xxxx 10xxxxxx 10xxxxxx, 需要三个字节
  2. 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

  1. 码点是 0x23455
  2. 0001 0000 ~ 0010 FFFF之间,格式为 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx, 需四个字节
  3. 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:

  1. 数据被编码成以 '&' 分隔的键-值对, 同时以 '=' 分隔键和值.
  2. 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。

  1. A-Z
  2. a-z
  3. 0-9
  4. - _ . ~

特殊的字符 " "

  1. 其在作为URL的时候,编码是转为 %20
  2. 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。

RFC3986RFC1738RFC5987

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

  1. %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。
  2. 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。
  3. encodeURI 是URL编码,不处理参数部分
  4. 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
  5. RFC3986 ,RFC1738 是URL编码协议
  6. RFC5987 是http传输头部字符串编码的规范
  7. 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