面試官竟然敢問我URLEncode 及Gbk, Unicode等編碼
URL encode
URL encode 實際上是對 URI 進行 encode的，而不是對 URL。
什么是 URI?
Uniform Resource Identifier (URI，統一資源標志符) ，是用來標識資源的字符串，規定了以下文法：
上圖可見，有效的 URI 至少包含 scheme，: 以及 path(路徑)，如經典的觸發操作系統發郵件動作的mailto 格式[1]：
- mailto:John.Doe@example.com
- └─┬──┘ └────┬─────────────┘
- scheme path
其他就是可選的組合路徑了，如 scheme://host path ? query # fragment 就會我們常見的 url 格式：
- userinfo host port
- ┌──┴───┐ ┌──────┴──────┐ ┌┴┐
- https://john.doe@www.example.com:123/forum/questions/?tag=networking&order=newest#top
- └─┬─┘ └───────────┬──────────────┘└───────┬───────┘ └───────────┬─────────────┘ └┬┘
- scheme authority path query fragment
URI包含URLs and URNs
- URL：Uniform Resource Locator(統一資源定位符)：定義了如何找到一個資源
- URN: Uniform Resource Name (統一資源名稱)：定義了這個資源的唯一名字
簡單說作用就是：
- URL：我們目前常用的網站地址，提供了以什么協議(http，ftp)來訪問，地址路徑在哪里(bilibili.com, abc.com)等等。
- URN：我要獲取的這個資源有一個唯一名字，我提供過去，統一中心會解析這個 URN，不管這個資源搬遷到哪里，只要存在就會返回給你。而 URL 一旦搬遷了，就不是有效地址了，你需要一個新地址去定位這個資源。由于歷史原因，URN 幾乎沒有普及，所以某種程度上給人造成了 URL 跟 URI 好像差不多的樣子。
Reserved Characters(保留字符)
URI 規定了要保留以下字符作特殊使用：
- ! * ' ( ) ; : @ & = + $ , / ? # [ ]
- 來自 RFC 3986 section 2.2 Reserved Characters (January 2005)
如 ? 用來帶 url 中的參數，/ 用來分割 url， & 用來拼接 query等，保留字符都有自己的作用。
因此需要傳此類字符而不是作特殊字符作用使用時，不能直接放入 url 中，需要編碼，也就是 url encode 做的事情。
encode 很簡單，把保留字符如 ? 轉成 ASCII[2] 的 16 進制表示(? 就是 3F)，在前面加一個 % 代表這是轉碼字符即可，也就是 ? 需要 encode 成 %3F 放在 url 中，所以 url encode 又稱作 Percent-encoding。
實際應用
在下述url 中，需要傳入跳轉 BACK_URL 參數 new_login.com?a=12 時，就需要轉移 ? 跟 =g .
https://third_party_login.com?BACK_URL=new_login.com?a=12 就應該轉換成
https://third_party_login.com?BACK_URL=new_login.com%3Fa%3D12
這樣子后面的 ? 與 = 就不會被處理掉，而能夠作為 BACK_URL 這個參數的一部分傳給后端。
http 協議中 headers 的 content-type 里常見的的 application/x-www-form-urlencoded，指定請求 body 使用 URL encoded。
gbk，Unicode，UTF-8
鑒于珠玉在前，我就整理下Unicode 和 UTF-8 有什么區別?[3]的內容 ok 了:
簡單來說：
- Unicode 是「字符集」
- UTF-8 是「編碼規則」
- 字符集：為每一個「字符」分配一個唯一的 ID(學名為碼位 / 碼點 / Code Point)
- 編碼規則：將「碼位」轉換為字節序列的規則(編碼 / 解碼 可以理解為 加密 / 解密 的過程)
詳細過程：
- 中國人民通過對 ASCII 編碼的中文擴充改造，產生了 GB2312 編碼，可以表示 6000 多個常用漢字。
- 漢字實在是太多了，包括繁體和各種字符，于是產生了 GBK 編碼，它包括了 GB2312 中的編碼，同時擴充了很多。
- 中國是個多民族國家，各個民族幾乎都有自己獨立的語言系統，為了表示那些字符，繼續把 GBK 編碼擴充為 GB18030 編碼。
- 每個國家都像中國一樣，把自己的語言編碼，于是出現了各種各樣的編碼，如果你不安裝相應的編碼，就無法解釋相應編碼想表達的內容。
- 終于，有個叫 ISO(國際標誰化組織) 的組織看不下去了。他們一起創造了一種編碼 UNICODE(Universal Multiple-Octet Coded Character Set)，這種編碼非常大，大到可以容納世界上任何一個文字和標志。所以只要電腦上有 UNICODE 這種編碼系統，無論是全球哪種文字，只需要保存文件的時候，保存成 UNICODE 編碼就可以被其他電腦正常解釋。
- unicode 在很長一段時間內無法推廣，直到互聯網的出現，為解決 unicode 如何在網絡上傳輸的問題，于是面向傳輸的眾多 UTF(UCS Transfer Format)標準出現了。UNICODE 在網絡傳輸中，出現了兩個標準 UTF-8 和 UTF-16，分別每次傳輸 8 個位和 16 個位。UTF-8 顧名思義，是一套以 8 位為一個編碼單位的可變長編碼。
- 于是就會有人產生疑問，UTF-8 既然能保存那么多文字、符號，為什么國內還有這么多使用 GBK 等編碼的人?因為 UTF-8 等編碼體積比較大，占電腦空間比較多，如果面向的使用人群絕大部分都是中國人，用 GBK 等編碼也可以。
unicode 在很長一段時間內無法推廣，直到互聯網的出現，為解決 unicode 如何在網絡上傳輸的問題，于是面向傳輸的眾多 UTF(UCS Transfer Format)標準出現了，顧名思義，UTF-8 就是每次 8 個位傳輸數據，而 UTF-16 就是每次 16 個位。UTF-8 就是在互聯網上使用最廣的一種 unicode 的實現方式，這是為傳輸而設計的編碼，并使編碼無國界，這樣就可以顯示全世界上所有文化的字符了。UTF-8 最大的一個特點，就是它是一種變長的編碼方式。它可以使用 1~4 個字節表示一個符號，根據不同的符號而變化字節長度，當字符在 ASCII 碼的范圍時，就用一個字節表示，保留了 ASCII 字符一個字節的編碼做為它的一部分，注意的是 unicode 一個中文字符占 2 個字節，而 UTF-8 一個中文字符占 3 個字節)。從 unicode 到 utf-8 并不是直接的對應，而是要過一些算法和規則來轉換。
References
[1] mailto 格式: https://www.wikiwand.com/en/Mailto
[2] ASCII: https://www.wikiwand.com/en/American_Standard_Code_for_Information_Interchange
[3] Unicode 和 UTF-8 有什么區別?: https://www.zhihu.com/question/23374078/answer/69732605
本文轉載自微信公眾號「山盡寫東西的cache」，可以通過以下二維碼關注。轉載本文請聯系山盡寫東西的cache公眾號。
