URL que codifica el carácter de espacio: + o% 20?

¿Cuándo se codifica un espacio en una URL +y cuándo se codifica %20?

De Wikipedia (énfasis y enlace agregado):

Cuando se envían datos ingresados ​​en formularios HTML, los nombres y valores de los campos de formulario se codifican y se envían al servidor en un mensaje de solicitud HTTP utilizando el método GET o POST, o, históricamente, por correo electrónico. La codificación utilizada por defecto se basa en una versión muy temprana de las reglas generales de codificación porcentual de URI, con una serie de modificaciones , como la normalización de nueva línea y la sustitución de espacios con "+" en lugar de "% 20". El tipo de datos MIME codificados de esta manera es application / x-www-form-urlencoded, y actualmente está definido (todavía de una manera muy desactualizada) en las especificaciones HTML y XForms.

Por lo tanto, el porcentaje de codificación real se usa %20mientras que los datos de formulario en URL están en una forma modificada que usa +. Por lo tanto, es más probable que solo vea +en las URL en la cadena de consulta después de un ?.

Esta confusión se debe a que las URL todavía están "rotas" hasta el día de hoy.

Tome " http://www.google.com " por ejemplo. Esta es una URL. Una URL es un Localizador uniforme de recursos y es realmente un puntero a una página web (en la mayoría de los casos). Las URL en realidad tienen una estructura muy bien definida desde la primera especificación en 1994.

Podemos extraer información detallada sobre la URL " http://www.google.com ":

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

Si miramos una URL más compleja como:

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

podemos extraer la siguiente información:

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

Los caracteres reservados son diferentes para cada parte.

Para las URL HTTP, un espacio en una parte del fragmento de ruta debe codificarse a "% 20" (no, absolutamente no "+"), mientras que el carácter "+" en la parte del fragmento de ruta puede dejarse sin codificar.

Ahora en la parte de consulta, los espacios pueden codificarse en "+" (para compatibilidad con versiones anteriores: no intente buscarlo en el estándar URI) o "% 20" mientras que el carácter "+" (como resultado de esta ambigüedad ) debe escaparse a "% 2B".

Esto significa que la cadena "azul + azul claro" debe codificarse de manera diferente en la ruta y las partes de consulta:

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

A partir de ahí, puede deducir que la codificación de una URL completamente construida es imposible sin un conocimiento sintáctico de la estructura de la URL.

Esto se reduce a:

Deberías tener %20antes ?y +después.

Fuente

Yo recomendaría %20.

¿Los estás codificando?

Sin embargo, esto no es muy consistente en todos los idiomas. Si no me equivoco, en PHP urlencode()trata los espacios como +mientras que Python los urlencode()trata como %20.

EDITAR:

Parece que estoy equivocado. Python urlencode()(al menos en 2.7.2) usa en quote_plus()lugar de quote()y por lo tanto codifica espacios como "+". Parece también que la recomendación del W3C es el "+" según aquí: http://www.w3.org/TR/html4/interact/forms.html#h-17.13.4.1

Y de hecho, puede seguir este interesante debate sobre el rastreador de problemas de Python sobre qué usar para codificar espacios: http://bugs.python.org/issue13866 .

EDITAR # 2:

Entiendo que la forma más común de codificar "" es como "+", pero solo una nota, puede ser solo yo, pero esto me parece un poco confuso:

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

>>> '+=%2B+'

Un espacio solo puede codificarse a "+" en la consulta "pares de clave-valor de tipo de contenido" application / x-www-form-urlencoded "parte de una URL. En mi opinión, esto es un MAYO, NO DEBE. En el resto de las URL, se codifica como% 20.

En mi opinión, es mejor codificar siempre los espacios como% 20, no como "+", incluso en la parte de consulta de una URL, porque es la especificación HTML (RFC-1866) la que especifica que los caracteres de espacio deben codificarse como " + "in" application / x-www-form-urlencoded "pares de clave-valor de tipo de contenido (ver párrafo 8.2.1. subpárrafo 1.)

Esta forma de codificar datos de formulario también se proporciona en especificaciones HTML posteriores. Por ejemplo, busque párrafos relevantes sobre application / x-www-form-urlencoded en la especificación HTML 4.01, y así sucesivamente.

Aquí hay una cadena de muestra en URL donde la especificación HTML permite codificar espacios como ventajas: " http://example.com/over/there?name=foo+bar ". Entonces, solo después de "?", Los espacios se pueden reemplazar por más . En otros casos, los espacios deben codificarse en% 20. Pero como es difícil determinar correctamente el contexto, es la mejor práctica nunca codificar espacios como "+".

Recomendaría codificar en porcentaje todos los caracteres excepto "sin reservas" definidos en RFC-3986, p.2.3

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

La implementación depende del lenguaje de programación que elija.

Si su URL contiene caracteres nacionales, primero codifíquelos en UTF-8 y luego codifique en porcentaje el resultado.