【Web】URI和URL，及URL的编码

URI和URL是什么，以及他们的区别

• URL，Uniform Resource Locator，统一资源定位符。用于表示网络上服务器的资源所在位置，比如我们输入浏览器的地址。
• URI，Uniform Resource Identifier，统一资源标识符。它唯一标识了资源。资源的位置能从地址上标识一个资源，所以，URI一种表现形式是URL，URI还有其他表现形式，但这里不介绍。

URL的组成

URL。
一个URL的样例：http://www.xxxxxx.com/helloween.jpg，一个URL可以分为3部分：

• 第一部分：http访问资源所使用的协议类型，常见的是HTTP、HTTPS、FTP等。
• 第二部分：资源所在的服务器地址，上述www.xxxxxx.com是一个域名，客户端会通过DNS（Domain Name Server，域名服务器）得到相应的IP地址。
• 第三部分：/helloween.jpg是指资源在服务器的位置。

例子：

• http://www.xxxxxx.com/helloween.jpg
• https://www.xxxxxx.com/helloween.action?userId=123456
• jdbc:mysql://localhost:3306/demo?user=root&password=123456&useUnicode=true&characterEncoding=UTF8
• ftp://guest:123456@127.0.0.1

URL的编码

为什么URL要编码？
答：URL是表示网络上各种资源的地址，表示网络上各资源的地址可能是由各种各样的字符组成，可能包含许多特殊字符，甚至一些不可打印的字符。而用URL表示这些地址，基于要适应各种协议、应用程序的要求，URL必须是通用性强，而已还必须对人们是可读的。所以，就有了将URL编码的方法，用一些安全的字符集合编码表示URL，简单来说，就是用一串安全的字符表示原先的可能包含特殊字符、不可打印字符的地址。

URL的编码方式是怎么样的？
答：用安全的字符表示不安全的字符。转义后的安全字符字符为16进制数，每两位前面加%，见以下示例：

比如&，它在ASCII表用10进制38表示，16进制26表示，所以，URL编码后为%26。
比如“你好”，它的UTF-8编码用16进制表示是e4bda0e5a5bd，所以，URL编码后为%e4%bd%a0%e5%a5%bd。
比如“你好”，它的GB2312编码用16进制表示是c4e3bac3，所以，URL编码后为%c4%e3%ba%c3。

不知道某字符的UTF-8或GBK编码的16进制是多少？以下的Java小程序可参考：

public class UTF8Utils {
    
    public static void main(String[] args) throws Exception {
        String s = "你好";
        System.out.println(s);
        System.out.println(UTF8Utils.bytesToHex(s.getBytes("UTF-8"))); // e4bda0e5a5bd
        System.out.println(UTF8Utils.bytesToHex(s.getBytes("GB2312"))); // c4e3bac3
    }
    
    /**
     * 字节数组转十六进制
     * @param bytes 字节数组
     * @return 十六进制
     */
    public static String bytesToHex(byte[] bytes) {
        if (bytes == null || bytes.length == 0) {
            return null;
        }
        
        StringBuilder sb = new StringBuilder();
        for (int i = 0; i < bytes.length; i++) {
            int r = bytes[i] & 0xFF;
            
            String hexResult = Integer.toHexString(r);
            if (hexResult.length() < 2) {
                sb.append(0); // 前补0
            }
            sb.append(hexResult);
        }
        
        return sb.toString();
    }
    
}

浏览器URL编码所用的字符集不同的问题，及如何统一处理

我们使用常用的浏览器IE、Chrome、Firefox访问URL时，不免使用到一些不安全字符，这是浏览器会如何处理呢？

• 有些会自动将不安全的字符编码，有些不会。这取决于浏览器的机制以及你的设置。
• 有些会自动将不安全的字符通过UTF-8编码，有些会通过GB2312编码，甚至是其他编码。这取决于多方面原因，如浏览器的机制、浏览器的设置、操作系统的默认编码。

那么多方面的原因导致URL编码结果不确定性，对我们的开发工作带来诸多不便，比如，我们在后面设置用UTF-8解码，有没有办法要求客户端用UTF-8编码URL呢？
答：用Javascript的encodeURL()或encodeURLComponent()吧，它们会将URL用UTF-8方法编码。它们两者的区别在于：

• encodeURL()一般用于整体URL的编码的，所以URL一些保留符号（如?、&等）不被编码。
• encodeURLComponent()一般对URL的某些组成部分编码，所以都会编码。

参考的优秀文章

• 关于URL编码
• 浏览器URL编码
• 《HTTP权威指南》人民邮电出版社