Adres URL kodujący znak spacji: + czy %20?

Z Wikipedia (dodano podkreślenie i link):

Po przesłaniu danych wprowadzonych do formularzy HTML nazwy i wartości pól formularza są kodowane i wysyłane do serwera w komunikacie żądania HTTP przy użyciu metody GET lub POST lub, historycznie, pocztą elektroniczną. Domyślnie używane kodowanie opiera się na bardzo wczesnej wersji ogólnych zasad kodowania procentowego URI, z liczba modyfikacji, takich jak normalizacja nowej linii i zamiana spacji na „+” zamiast „%20”. Typ MIME zakodowanych w ten sposób danych to application/x-www-form-urlencoded i jest obecnie zdefiniowany (wciąż w bardzo przestarzały sposób) w specyfikacjach HTML i XForms.

Zatem rzeczywiste kodowanie procentowe wykorzystuje %20, podczas gdy dane formularzy w adresach URL mają zmodyfikowaną formę, która wykorzystuje +. Zatem najprawdopodobniej zobaczysz tylko + w adresach URL w ciągu zapytania po ?.

To zamieszanie wynika z tego, że adresy URL do dziś są „uszkodzone”.

Weźmy na przykład „http://www.google.com”. To jest adres URL. Adres URL jest jednolitym lokalizatorem zasobów i tak naprawdę jest wskaźnikiem do strony internetowej (w większości przypadków). Od czasu pierwszej specyfikacji w 1994 r. adresy URL mają w rzeczywistości bardzo dobrze zdefiniowaną strukturę.

Możemy wyodrębnić szczegółowe informacje na temat adresu URL „http://www.google.com":

+---------------+-------------------+
|      Part     |      Data         |
+---------------+-------------------+
|  Scheme       | http              |
|  Host         | www.google.com    |
+---------------+-------------------+

Jeśli spojrzymy na bardziej złożony adres URL, taki jak:

„https://bob:[email protected]:8080/file;p=1?q=2#trzeci"

możemy wyodrębnić następujące informacje:

+-------------------+---------------------+
|        Part       |       Data          |
+-------------------+---------------------+
|  Scheme           | https               |
|  User             | bob                 |
|  Password         | bobby               |
|  Host             | www.lunatech.com    |
|  Port             | 8080                |
|  Path             | /file;p=1           |
|  Path parameter   | p=1                 |
|  Query            | q=2                 |
|  Fragment         | third               |
+-------------------+---------------------+

https://bob:[email protected]:8080/file;p=1?q=2#third
\___/   \_/ \___/ \______________/ \__/\_______/ \_/ \___/
  |      |    |          |          |      | \_/  |    |
Scheme User Password    Host       Port  Path |   | Fragment
        \_____________________________/       | Query
                       |               Path parameter
                   Authority

Znaki zastrzeżone są różne dla każdej części.

W przypadku adresów URL HTTP spacja w części fragmentu ścieżki musi być zakodowana jako „%20” (nie, absolutnie nie „+”), natomiast znak „+” w części fragmentu ścieżki może pozostać niezakodowany.

Teraz w części zapytania spacje mogą być zakodowane jako „+” (dla kompatybilności wstecznej: nie próbuj szukać ich w standardzie URI) lub „%20”, podczas gdy znak „+” (w wyniku tej niejednoznaczności ) należy uciec do „%2B”.

Oznacza to, że ciąg „niebieski+jasnoniebieski” musi być zakodowany inaczej w ścieżce i części zapytania:

"http://example.com/blue+light%20blue?blue%2Blight+blue”.

Z tego można wywnioskować, że kodowanie w pełni skonstruowanego adresu URL jest niemożliwe bez znajomości składniowej struktury adresu URL.

Sprowadza się to do:

Powinieneś mieć %20 przed ? i + po.

Źródło

Poleciłbym %20.

Czy kodujesz je na stałe?

Nie jest to jednak zbyt spójne w różnych językach. Jeśli się nie mylę, w PHP urlencode() traktuje spacje jako +, podczas gdy w Pythonie urlencode() traktuje je jako %20.

EDYTOWAĆ:

Wygląda na to, że się mylę. Python urlencode() (przynajmniej w wersji 2.7.2) używa quote_plus() zamiast quote() i dlatego koduje spacje jako „+”. Wydaje się również, że zalecenie W3C to „+”, jak tutaj: http://www.w3.org/TR/html4/interact/forms.html#h-17.13.4.1

I faktycznie, możesz śledzić tę interesującą debatę na temat własnego modułu do śledzenia problemów Pythona na temat tego, czego używać do kodowania spacji: http://bugs.python.org/issue13866.

EDYCJA #2:

Rozumiem, że najpopularniejszym sposobem kodowania „” jest „+”, ale tylko uwaga, może to tylko ja, ale uważam to za nieco mylące:

import urllib
print(urllib.urlencode({' ' : '+ '})

>>> '+=%2B+'

Spację można zakodować jako „+” tylko w części adresu URL będącej zapytaniem w przypadku par klucz-wartość typu treści „application/x-www-form-urlencoded”. Moim zdaniem jest to MOŻE, a nie MUSI. W pozostałych adresach URL jest on kodowany jako%20.

Moim zdaniem lepiej jest zawsze kodować spacje jako% 20, a nie jako „+”, nawet w części adresu URL zawierającej zapytanie, ponieważ specyfikacja HTML (RFC-1866) określa, że ​​spacje powinny być kodowane jako „ +” w parach klucz-wartość typu „application/x-www-form-urlencoded” (patrz akapit 8.2.1. akapit 1.)

Ten sposób kodowania danych formularzy jest także podany w późniejszych specyfikacjach HTML. Na przykład poszukaj odpowiednich akapitów na temat application/x-www-form-urlencoded w specyfikacji HTML 4.01 i tak dalej.

Oto przykładowy ciąg w adresie URL, w którym specyfikacja HTML umożliwia kodowanie spacji jako plusów: „http://example.com/over/there?name=foo+bar”. Zatem tylko po „?” spacje można zastąpić plusami. W pozostałych przypadkach spacje należy zakodować na %20. Ponieważ jednak trudno jest poprawnie określić kontekst, najlepszą praktyką jest nigdy nie kodowanie spacji jako „+”.

Polecam kodowanie procentowe wszystkich znaków z wyjątkiem „niezarezerwowanych” zdefiniowanych w RFC-3986, p.2.3

unreserved = ALPHA / DIGIT / "-" / "." / "_" / "~"

Implementacja zależy od wybranego języka programowania.

Jeśli Twój adres URL zawiera znaki narodowe, najpierw zakoduj je w formacie UTF-8, a następnie zakoduj wynik procentowo.