kk Blog —— 通用基础

https://blog.csdn.net/qq_38766930/article/details/123703178

+、空格、=、%、&、#等字符

urlencode rawurlencode

https://www.jianshu.com/p/99c09270ad52

其实对于URL编码，rawurlencode才是标准，它定义在 RFC3986 上，这个 RFC 描述了如何定义一个 URL，URL 其实本质上不是 HTTP 协议的一部分，只是 URL 和 HTTP 协议结合的比较紧密，所以总觉得 HTTP 协议包含 URL。

先描述下rawurlencode，它也叫做百分号编码（Percent-encoding），首先思考一个问题，为什么URL需要编码，原因就在于早期的 URL 只有 ASCII 字符，所以无需编码。

但世界上有多种语言，为了让 URL 符合语义标准，必须转码，主要有以下几种字符需要编码：

1
2
3
4

ASCII 控制字符。
Non-ASCII，比如中文字符。
保留字符，比如/符号有特殊含义，为了输出原始/符号，必须编码。
不安全字符，这些字符（比如<、\、%）应该可以称为“应用字符”，对应的就是 HTML 中的“实体字符”。

那么具体如何编码呢？

1
2
3

非字母和数字字符替换为%符号，后面跟着字符的十六进制。
破折号、下划线、点号和波浪号无需编码。
空格替换为%20。

接着说说urlencode，它基于rawurlencode标准，但有略微的不同，它定义在rfc1866，这个rfc属于html标准的一部分，编码方式和 application/x-www-form-urlencoded MIME 编码方式一致。

urlencode处理 query string 的编码，而 rawurlencode 被认为处理 url 编码，这可以看做一个区别。

urlencode 和 rawurlencode 在编码方式上有二处区别：

1
2

波浪号需要百分号编码。
空格替换为+。

那么为什么不能保持一致呢？可能是历史原因，但 rfc2396 认为 url 中的 + 符号是一个保留字符，所以 rawurlencode 编码方式更标准。

PHP htmlspecialchars() 函数

https://www.w3school.com.cn/php/func_string_htmlspecialchars.asp

htmlspecialchars() 函数把预定义的字符转换为 HTML 实体。

预定义的字符是：

1
2
3
4
5

& （和号）成为 &
" （双引号）成为 "
' （单引号）成为 '
< （小于）成为 <
> （大于）成为 >

https://blog.csdn.net/YungGuo/article/details/110197818

apache log 中，参数之前的url是 \x , 参数是 %

例如

1

index/\xe6\x89\xa7\xe8\xa1\x8c\xe7\xbb\x93\xe6\x9e\x9c\xe5\xa6\x82\xe4\xb8\x8b?arg=%E6%89%A7%E8%A1%8C%E7%BB%93%E6%9E%9C%E5%A6%82%E4%B8%8B

%

如果是 % 直接用 urldecode

1

urldecode($v);

\x

1
2

 \xe4\xbd\xa0\xe5\xa5\xbd\xe4\xb8\x96\xe7\x95\x8c
 中文是： 你好世界

上面这个是utf-8编码，但数据类型是字符串类型，而不是bytes类型的utf-8编码。

这样会导致一个结果：如果直接输出，显示的是乱码，也不能使用decode进行utf-8解码得到中文。

可能有人会说，既然得到的是utf-8编码，在前面加上 “ b ” ，字符串就是bytes类型了，再利用decode进行解码不就可以得到中文吗？但显然，这是行不通的，你不可能去手动一个个添加，那有没有其他方法呢？

答案肯定是有的，既然知道这个字符串是utf-8编码的，那么我换种方式，只要将字符串中的 “ \x ” 改为 “ % ” 利用urllib中的unquote方法解码就可以得到中文了，因为url中的中文utf-8编码和这里的区别就是url中编码是%开头。

1

urldecode(preg_replace('/\\\x([0-9a-fA-F]{2})/', '%$1', $v));