Adresa URL care codifică caracterul spațiu: + sau %20?

Din Wikipedia (subliniere și link adăugat):

Când datele care au fost introduse în formularele HTML sunt trimise, numele și valorile câmpurilor de formular sunt codificate și trimise la server într-un mesaj de solicitare HTTP folosind metoda GET sau POST sau, istoric, prin e-mail. Codificarea utilizată în mod prestabilit se bazează pe o versiune foarte timpurie a regulilor generale de codificare procentuală URI, cu un numărul de modificări, cum ar fi normalizarea liniei noi și înlocuirea spațiilor cu „+” în loc de „%20”. Tipul MIME de date codificat astfel este application/x-www-form-urlencoded și este definit în prezent (încă într-un mod foarte depășit) în specificațiile HTML și XForms.

Deci, codarea procentuală real folosește %20, în timp ce datele formularului din adresele URL sunt într-o formă modificată care utilizează +. Deci, este cel mai probabil să vedeți numai + în adresele URL din șirul de interogare după un ?.

Această confuzie se datorează faptului că adresele URL sunt încă „rupte” până în prezent.

Luați, de exemplu, „http://www.google.com". Aceasta este o adresă URL. Un URL este un Uniform Resource Locator și este într-adevăr un indicator către o pagină web (în cele mai multe cazuri). URL-urile au de fapt o structură foarte bine definită de la prima specificație din 1994.

Putem extrage informații detaliate despre adresa URL „http://www.google.com":

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

Dacă ne uităm la o adresă URL mai complexă, cum ar fi:

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

putem extrage următoarele informații:

+-------------------+---------------------+
|        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

Caracterele rezervate sunt diferite pentru fiecare parte.

Pentru adresele URL HTTP, un spațiu dintr-o parte a fragmentului de cale trebuie să fie codificat la „%20” (nu, absolut nu „+”), în timp ce caracterul „+” din partea fragmentului de cale poate fi lăsat necodat.

Acum, în partea de interogare, spațiile pot fi codificate fie la „+” (pentru compatibilitate inversă: nu încercați să îl căutați în standardul URI) sau „%20” în timp ce caracterul „+” (ca urmare a acestei ambiguități). ) trebuie să fie evacuat în „%2B”.

Aceasta înseamnă că șirul „albastru+albastru deschis” trebuie să fie codificat diferit în părțile de cale și interogare:

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

De aici puteți deduce că codificarea unui URL complet construit este imposibilă fără o conștientizare sintactică a structurii URL.

Acest lucru se rezumă la:

Ar trebui să aveți %20 înainte de ? și + după.

Sursa

Aș recomanda %20.

Le codificați greu?

Totuși, acest lucru nu este foarte consistent între limbi. Dacă nu mă înșel, în PHP urlencode() tratează spațiile ca +, în timp ce urlencode() din Python le tratează ca %20.

EDITAȚI | ×:

Se pare că mă înșel. urlencode() din Python (cel puțin în 2.7.2) folosește quote_plus() în loc de quote() și astfel codifică spațiile ca „+”. Se pare, de asemenea, că recomandarea W3C este „+” ca aici: http://www.w3.org/TR/html4/interact/forms.html#h-17.13.4.1

Și, de fapt, puteți urmări această dezbatere interesantă pe propriul instrument de urmărire a problemelor Python despre ce să folosiți pentru a codifica spațiile: http://bugs.python.org/issue13866.

EDIT #2:

Înțeleg că cel mai comun mod de a codifica „ ” este „+”, dar doar o notă, poate fi doar eu, dar mi se pare puțin confuz:

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

>>> '+=%2B+'

Un spațiu poate fi codificat doar la „+” în partea de interogare a unei adrese URL „application/x-www-form-urlencoded” de tip conținut perechi cheie-valoare. După părerea mea, acesta este un MAI, nu un MUST. În restul adreselor URL, este codificat ca %20.

În opinia mea, este mai bine să codificați întotdeauna spațiile ca %20, nu ca „+”, chiar și în partea de interogare a unei adrese URL, deoarece specificația HTML (RFC-1866) este cea care a specificat că caracterele de spațiu trebuie codificate ca „ +" în perechile „application/x-www-form-urlencoded” tip conținut cheie-valoare (a se vedea paragraful 8.2.1. subparagraful 1.)

Acest mod de codificare a datelor din formular este prezentat și în specificațiile HTML ulterioare. De exemplu, căutați paragrafe relevante despre application/x-www-form-urlencoded în specificația HTML 4.01 și așa mai departe.

Iată un exemplu de șir în URL în care specificația HTML permite codificarea spațiilor ca plusuri: „http://example.com/over/there?name=foo+bar”. Deci, numai după „?”, spațiile pot fi înlocuite cu plusuri. În alte cazuri, spațiile ar trebui să fie codificate la %20. Dar, deoarece este greu să determinați corect contextul, este cea mai bună practică să nu codificați niciodată spațiile ca „+”.

Aș recomanda codificarea procentuală a tuturor caracterelor, cu excepția „nerezervate” definite în RFC-3986, p.2.3

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

Implementarea depinde de limbajul de programare ales.

Dacă adresa URL conține caractere naționale, mai întâi codificați-le în UTF-8 și apoi codificați rezultatul în procente.