urlencode() '星号'（星号？）字符

Question

我正在测试 PHP urlencode() 与 Java java.net.URLEncoder.encode()。

Java

String all = "";
for (int i = 32; i < 256; ++i) {
    all += (char) i;
}

System.out.println("All characters:         -||" + all + "||-");
try {
    System.out.println("Encoded characters:     -||" + URLEncoder.encode(all, "utf8") + "||-");
} catch (UnsupportedEncodingException e) {
    e.printStackTrace();
}

PHP

$all = "";
for($i = 32; $i < 256; ++$i)
{
    $all = $all.chr($i);
}

echo($all.PHP_EOL);
echo(urlencode(utf8_encode($all)).PHP_EOL);

这两个函数的所有字符似乎都以相同的方式编码，除了不是由 Java 编码并由 PHP 转换为 %2A 的“星号”字符。如果有的话，哪种行为应该是“正确的”？

注意：我也尝试使用 rawurlencode() - 没有运气。

Answer 1

Javadoc of URLEncoder指的是HTML规范：

此类包含将字符串转换为application/x-www-form-urlencoded MIME 格式的静态方法。有关 HTML 表单编码的更多信息，请参阅 HTML 规范。

HTML4对这个问题比较不清楚，参考RFC1738，aioobe引用：

控件名称和值被转义。空格字符被 '+' 替换，然后保留字符被转义，如 [RFC1738] 第 2.2 节所述：非字母数字字符被替换为 '%HH'、一个百分号和两个代表 ASCII 码的十六进制数字特点。换行符表示为“CR LF”对（即 '%0D%0A'）。

但是HTML5直接声明*不应该被编码：

• 如果字符不在 U+0020、U+002A、U+002D、U+002E、U+0030 到 U+0039、U+0041 到 U+005A 范围内, U+005F, U+0061 至 U+007A
  将字符替换为如下格式的字符串：
  ...
• 否则
  让角色保持原样。

Answer 2

可以在 URL 中使用 *，（但也可以使用编码形式）。

RFC1738: Uniform Resource Locators (URL) 声明如下：

保留：

[...]

通常，当八位字节是 URL 时，URL 具有相同的解释 由一个字符表示以及它何时编码。然而，这并不是 保留字符为真：编码为 a 保留的字符 特定的方案可能会改变 URL 的语义。

因此，只有字母数字、特殊字符 "$-_.+!*'()," 和 用于保留目的的保留字符可以使用 在 URL 中未编码。

另一方面，不需要编码的字符 （包括字母数字）可以在特定方案中编码 URL 的一部分，只要它们不被用于保留 目的。

Answer 3

Wikipedia suggests* 在涉及 URI 时是一个保留字符，如果不用于保留目的，则必须对其进行编码。根据RFC3986，第 12-13 页：

URI 包括由以下分隔的组件和子组件 “保留”集中的字符。这些字符被称为 “保留”，因为它们可能（或可能不）被定义为分隔符 通用语法，由每个特定于方案的语法，或由 URI 的解引用算法的特定于实现的语法。 如果 URI 组件的数据与保留的 字符作为分隔符的目的，那么冲突的数据必须是 在形成 URI 之前进行百分比编码。

  reserved    = gen-delims / sub-delims

  gen-delims  = ":" / "/" / "?" / "#" / "[" / "]" / "@"

  sub-delims  = "!" / "$" / "&" / "'" / "(" / ")"
              / "*" / "+" / "," / ";" / "="

（the URL RFC 仍然允许* 字符未编码的事实是，没有在 URL 中具有保留用途，因此不必编码. 所以你是否必须对其进行编码取决于你正在创建什么样的 URI。）