按：我相信有许多程序员搞不清楚Unicode和UTF-8的关系，这不稀奇gbk编码转换，因为我以前也搞不懂。后来为了写《正则指引》（第2版）才彻底搞懂，并且专门新增了一章谈这个话题。如果你和我之前一样不太清楚其中的区别，也没看过《正则指引》，不妨看看我的朋友胡永浩的这篇文章，相信会有收获。URL encode
URL encode实际上是对URI进行 encode的，而不是对URL。
什么是 URI？
Uniform Resource Identifier(URI，统一资源标志符) ，是用来标识资源的字符串，规定了以下文法：
上图可见，有效的URI至少包含scheme，:以及path(路径)，如经典的触发操作系统发邮件动作的mailto 格式[1]：
mailto:John.Doe@example.com└─┬──┘ └────┬─────────────┘scheme path
其他就是可选的组合路径了，如scheme://host path ? query # fragment就会我们常见的 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（统一资源定位符）：定义了如何找到一个资源•URN: Uniform Resource Name （统一资源名称）：定义了这个资源的唯一名字
简单说作用就是：
•URL：我们目前常用的网站地址，提供了以什么协议（http，ftp）来访问，地址路径在哪里（bilibili.com, abc.com）等等。•URN：我要获取的这个资源有一个唯一名字，我提供过去，统一中心会解析这个URN，不管这个资源搬迁到哪里，只要存在就会返回给你。而URL一旦搬迁了，就不是有效地址了，你需要一个新地址去定位这个资源。但是由于历史原因，URN几乎没有普及，所以某种程度上给人造成了URL跟URI好像差不多的样子。
Reserved Characters（保留字符）
URI规定了要保留以下字符作特殊使用：
! * ' ( ) ; : @ & = + $ , / ? # [ ]来自 RFC 3986 section 2.2 Reserved Characters (January 2005)
如?用来带 url 中的参数，/用来分割 url，&用来拼接 query等，保留字符都有自己的作用。
因此需要传此类字符而不是作特殊字符作用使用时，不能直接放入 url 中，需要编码，也就是url encode做的事情。
encode 很简单，把保留字符如?转成ASCII[2]的 16 进制表示(?就是3F），在前面加一个%代表这是转码字符即可，也就是?需要 encode 成%3F放在 url 中，所以url encode又称作Percent-encoding。
实际应用
•url 中，需要传入跳转BACK_URL参数new_login.com?a=12时，就需要转移?跟=g .
就应该转换成
%3Fa%3D12
这样子后面的?与=就不会被处理掉，而能够作为BACK_URL这个参数的一部分传给后端。
•http协议中headers的content-type里常见的的application/x-www-form-urlencoded，指定请求 body 使用URL encoded。
gbk，Unicode，UTF-8
鉴于珠玉在前，我就整理下Unicode 和 UTF-8 有什么区别？[3]的内容 ok 了:
简单来说：
•Unicode是「字符集」•UTF-8是「编码规则」•字符集：为每一个「字符」分配一个唯一的 ID（学名为码位 / 码点 / Code Point）。可以理解为“所有学生的学号的集合”。•编码规则：将「码位」转换为字节序列的规则（编码 / 解码 可以理解为 加密 / 解密 的过程）。可以理解为“每个学号的写法，有时用“347”，有时用“三四七“，有时用”叁肆柒“。
详细过程：
•在没有Unicode的年代gbk编码转换，为了表示中文字符，中国人民通过对ASCII 编码扩充改造，产生了GB2312 编码，可以表示 6000 多个常用汉字。GB2312 编码是变长编码，向下兼容ASCII 编码，也就是说，每个英文字母以1个字节表示，每个汉字以2个字节表示，总共包含了6763个汉字。•汉字实在是太多了，包括繁体和各种字符，于是产生了GBK 编码，它是GB2312的超集，向下兼容GB2312 编码，同时扩充了很多内容（比如“朱镕基总理”的“镕”就是不在GB2312而在GBK 编码中的），总汉字数达到了20902个。•中国是个多民族国家，各个民族几乎都有自己独立的语言系统，为了表示那些字符，继续把GBK 编码扩充为GB18030 编码，可容纳汉字数达到了七万多个。•每个国家都像中国一样，把自己的语言编码，于是出现了各种各样的编码，如果你不安装相应的编码，就无法解释相应编码想表达的内容。这还不是最要紧的，最要紧的是，如果一段文字同时包含多国文字，比如既有中文又有日本还有韩文，从技术上讲，是不可能正常显示的。•终于，有个叫ISO（国际标谁化组织)的组织看不下去了。他们创造了一种编码UNICODE(Universal Multiple-Octet Coded Character Set)，这种编码非常大，大到可以容纳世界上任何一个文字和标志。所以只要电脑上有UNICODE这种编码系统，无论是全球哪种文字，只需要保存文件的时候，保存成UNICODE编码就可以被其他电脑正常解释。•UNICODE在很长一段时间内无法推广，直到互联网的出现，为解决UNICODE如何在网络上传输的问题，于是面向传输的众多UTF（UCS Transformation Format）标准出现了。UNICODE在网络传输中，出现了两个标准UTF-8和UTF-16，分别每次传输8个位和16个位。UTF-8顾名思义，是一套以 8 位为一个编码单位的可变长编码。在其中，每个汉字占用3个字节。•于是就会有人产生疑问，UTF-8既然能保存那么多文字、符号，为什么国内还有这么多使用GBK等编码的人？答案主要是历史原因，因为UTF-8等编码体积比较大，占电脑空间比较多，以前的电脑存储空间又很宝贵，所以如果面向的使用人群绝大部分都是中国人，用GBK等编码也可以。
unicode 在很长一段时间内无法推广，直到互联网的出现，为解决 unicode 如何在网络上传输的问题，于是面向传输的众多UTF（UCS Transfer Format）标准出现了，顾名思义，UTF-8就是每次 8 个位传输数据，而UTF-16就是每次 16 个位。
UTF-8 就是在互联网上使用最广的一种 unicode 的实现方式，这是为传输而设计的编码，并使编码无国界，这样就可以显示全世界上所有文化的字符了。
UTF-8 最大的一个特点，就是它是变长的编码方式。它可以使用 1~4 个字节表示一个符号，根据不同的符号而变化字节长度，当字符在 ASCII 码的范围时，就用一个字节表示，保留了 ASCII 字符一个字节的编码做为它的一部分，注意的是 unicode 里大部分中文字符的码点（分配的编码数值）用16进制数（2个字节）就可以表示，但 UTF-8 一个中文字符占 3 个字节）。从 unicode 到 utf-8 并不是直接的对应，而是要过一些算法和规则来转换。
References
[1]mailto 格式:
[2]ASCII:
[3]Unicode 和 UTF-8 有什么区别？:
———END———
限 时 特 惠：本站每日持续更新海量各大内部创业教程，一年会员只需128元，全站资源免费下载点击查看详情
站 长 微 信：jiumai99