Kodowanie URL zamienia znak na znak procentu i dwie cyfry szesnastkowe: spacja zmienia się w %20, ampersand w %26, znak zapytania w %3F. Cel jest taki, żeby znak nie został odczytany jako składnia URL, kiedy miał być danymi. Nic więcej.
Wydaje się to trudniejsze, niż jest, bo prawie każde pytanie o kodowanie URL jest w istocie pytaniem o zakres. Które znaki, w której części URL-a, zakodowane przez którą warstwę? Źle ustalony zakres daje jeden z dwóch klasycznych błędów: parametr śledzący, który po cichu się ucina, albo miejsce docelowe, które przychodzi jako https%3A%2F%2Fexample.com i zwraca 404. Ten artykuł opisuje dwa zbiory znaków, które decydują o odpowiedzi, miejsca, gdzie zasady się zmieniają, i jak sprawdzić, co link faktycznie niesie. Szerszy obraz tego, co robi z tym wszystkim przekierowanie, opisują typy przekierowań.
Dwa zbiory, które decydują o wszystkim
RFC 3986, sekcja 2.3 definiuje zbiór unreserved, który nigdy nie wymaga kodowania: litery, cyfry i dokładnie cztery znaki interpunkcyjne - myślnik, kropkę, podkreślenie, tyldę. Jeśli twoja wartość zawiera tylko takie znaki, nie musisz robić nic.
Wszystko inne wpada w jeden z dwóch koszyków. Znaki reserved niosą znaczenie strukturalne: : / ? # [ ] @ rozdzielają części URL-a, a ! $ & ' ( ) * + , ; = rozdzielają rzeczy wewnątrz tych części. Sekcja 2.2 je wymienia. Są legalne jako składnia i muszą być kodowane, kiedy występują jako dane. Reszta to wszystko poza ASCII, co jest kodowane bajt po bajcie po konwersji do UTF-8 - dlatego jedna litera z akcentem kosztuje zwykle sześć znaków, a nie trzy.
To daje jedyną zasadę, którą warto zapamiętać: koduj znak, kiedy jest danymi i inaczej zostałby odczytany jako składnia. Ampersand między dwoma parametrami to składnia. Ampersand wewnątrz nazwy kampanii to dane, i jeśli go nie zakodujesz, lista parametrów kończy się właśnie tam.
Koduj wartość, nie URL
To błąd, który widzę najczęściej, i zawsze ma tę samą postać. Ktoś ma URL, wie, że trzeba go zakodować, więc wkleja całość do encodera i dostaje:
https%3A%2F%2Fexample.com%2Fspring%3Futm_campaign%3Dspring%20sale
Ten ciąg nie jest URL-em. To kawałek tekstu w kształcie URL-a, który może być tylko wartością wewnątrz innego URL-a - co jest właśnie tym miejscem, gdzie należy, kiedy przekazujesz miejsce docelowe przez moduł przekierowań, i właśnie tym miejscem, gdzie nie należy, kiedy próbujesz go otworzyć.
Poprawne podejście koduje każdą wartość osobno:
https://example.com/spring?utm_campaign=spring%20sale&utm_source=flyer
Schemat, host, separatory ścieżki oraz ? i & zostają jako składnia. Zmieniła się tylko wartość. Każdy język ma dwie funkcje do tego rozróżnienia, i wybranie tej niewłaściwej to druga połowa problemu: strona MDN o encodeURIComponent mówi bez ogródek, że encodeURI celowo zostawia zarezerwowane znaki bez zmian, bo oczekuje całego URI, podczas gdy encodeURIComponent je koduje, bo oczekuje jego fragmentu. Wartości chcą encodeURIComponent. W Pythonie to urllib.parse.quote, w Go url.QueryEscape, w PHP rawurlencode.
Spacja to %20, poza miejscami, gdzie jest plusem
Obie formy są prawidłowe, w różnych miejscach, i to jest zdecydowanie najbardziej zagmatwana rzecz w tym temacie.
W ścieżce albo w ogólnym URI spacja to %20. W query string zbudowanym tak, jak buduje go formularz HTML, spacja to +, bo tak właśnie definiuje to serializacja application/x-www-form-urlencoded w standardzie URL WHATWG. Obie formy są odczytywane jako spacja przez każdy parser query po stronie serwera, na jaki prawdopodobnie natrafisz.
Pułapka jest w drugą stronę. Jeśli znak plus jest danymi - numer telefonu, wyszukiwana fraza, kampania nazwana spring+summer - trzeba go zapisać jako %2B. Zostawiony bez zmian w query string zmienia się w spację, i spędzisz popołudnie, zastanawiając się, czemu numer w twoim CRM zgubił kod kraju.
| Znak | Zakodowany | Czemu to ma znaczenie |
|---|---|---|
| spacja | %20 lub + | + tylko wewnątrz query string, %20 wszędzie |
& | %26 | Niezakodowany, lista parametrów kończy się właśnie tam |
? | %3F | Niezakodowany, wszystko po nim staje się query |
# | %23 | Niezakodowany, reszta nigdy nie trafia do serwera |
+ | %2B | Niezakodowany w query, przychodzi jako spacja |
% | %25 | Niezakodowany, następne dwa znaki zostają zjedzone |
Wiersz # zasługuje na uwagę, bo to on generuje najbardziej zagmatwane zgłoszenia błędów. Fragment nigdy nie jest wysyłany do serwera. Umieść niezakodowany # w miejscu docelowym przekierowania, i serwer zobaczy ucięty URL, podczas gdy pole adresu w przeglądarce wciąż wygląda dobrze, więc osoba zgłaszająca problem przysięga, że link działa.
Jeśli budujesz URL-e kampanii ręcznie częściej niż od czasu do czasu, przestań: nasz UTM builder koduje każdą wartość na bieżąco, a konwencje nazewnictwa UTM opisują wybieranie wartości, które od razu nie wymagają kodowania. Skróć wynik na własnej domenie, i zakodowany bałagan przestaje być czymś, na co ktokolwiek musi patrzeć.
Podwójne kodowanie i jak je zauważyć
Podwójne kodowanie zdarza się, kiedy wartość przechodzi przez dwie warstwy, z których każda robi swoje. Sam znak procentu jest znakiem, który trzeba kodować, więc %20 zmienia się w %2520, a %2520 w %252520.
Symptomy da się rozpoznać, kiedy się je już raz widziało. Tytuł strony wyświetlający spring%20sale prawdziwemu odwiedzającemu. Parametr, który przychodzi do analityki z widocznymi sekwencjami ucieczki. Przekierowanie, które działa przy pierwszym skoku i zawodzi przy drugim. Przyczyną jest prawie zawsze wywołanie kodujące owinięte wokół wartości, która przyszła już zakodowana, często bo wyszła z bazy danych, która przechowywała zakodowaną formę.
Naprawa polega na tym, żeby zdecydować, która warstwa jest odpowiedzialna za kodowanie, i uczynić inne bezdotykowymi. Dekoduj raz, kiedy czytasz wartość, koduj raz, kiedy zapisujesz ją do URL-a, i nigdy nie rób obu w tej samej funkcji.
Gdzie to najbardziej boli w praktyce
Trzy miejsca, w kolejności, w jakiej najprawdopodobniej je spotkasz.
Parametry śledzące. Wartość kampanii z niezakodowanym ampersandem ucina listę parametrów, więc sesja trafia do twojej analityki jako ruch bezpośredni, a kampania nie dostaje żadnego uznania. Nic się nie wywala. Parametry UTM nie pokazują się w GA4 opisuje diagnozę ze strony raportowania, a przeglądarki usuwają parametry UTM opisuje drugi powód, dla którego parametr może zniknąć między kliknięciem a stroną.
Przekierowania. Reguły serwera kodują ponownie niekonsekwentnie, a to, czy query string w ogóle przetrwa, zależy od użytej dyrektywy. Przekierowanie 301 w .htaccess ma pełną tabelę dla Apache; w skrócie: reguła, która zamienia query string, po cichu upuści twój.
Kody QR. Kodowanie zwiększa długość payloadu, a długość payloadu decyduje o tym, jak gęsty jest wydrukowany kod. Każda spacja kosztuje trzy znaki zamiast jednego, każda litera z akcentem sześć. URL śledzący z kilkoma zakodowanymi nazwami kampanii może przesunąć kod o wersję albo dwie wyżej, co jest realną różnicą w rozmiarze wizytówki - kod QR się nie skanuje właśnie z tego powodu umieszcza długość payloadu wśród czterech przyczyn. Zakodowanie krótkiego linku zamiast całego URL-a to najtańsza dostępna naprawa. Ta sama inflacja znaków sprawia, że mocno zakodowany URL to często ten, który uderza w limit przeglądarki, serwera lub skrzynki dalej w łańcuchu, a maksymalna długość URL opisuje, gdzie te pułapy faktycznie leżą.
Sprawdź, co link faktycznie niesie
Dwie komendy rozstrzygają prawie każdy spór. Pierwsza pokazuje, co dostaje serwer po przekierowaniu:
curl -sI 'https://example.com/spring?utm_campaign=spring%20sale' | grep -i '^location'
Druga buduje kodowanie za ciebie, zamiast liczyć na twoje palce, co jest przydatne, kiedy wartość zawiera kilku winowajców naraz:
curl -G --data-urlencode 'utm_campaign=spring & summer sale' \
--data-urlencode 'utm_source=flyer' \
-o /dev/null -w '%{url_effective}\n' https://example.com/spring
Czytaj wynik jako dane, nie jako dekorację. Jeśli widzisz %2520, masz problem z podwójnym kodowaniem, jeśli widzisz wartość kończącą się przedwcześnie, masz niezakodowany separator, a jeśli widzisz %3A%2F%2F na początku, zakodowałeś cały URL. Nasz link checker robi część z przekierowaniem w przeglądarce, jeśli nie chcesz otwierać terminala.
Zwyczaj, który warto sobie wyrobić, to spojrzeć na finalny URL raz, na własne oczy, zanim kampania wystartuje. Błędy kodowania są niewidoczne w przeglądarce i oczywiste w terminalu, i kosztują cię atrybucję, nie uptime, dlatego przetrwają tak długo.
Przeczytaj serię filarową
Ten artykuł należy do klastra inżynieryjnego. Po stronę przekierowań, typy przekierowań opisuje każdy kod statusu i metodę po stronie klienta, a jak działają skracacze URL opisuje, co dzieje się między kliknięciem a stroną.
Powiązane na blogu
- Parametry UTM wyjaśnione, ze schematem nazewnictwa, który przetrwa
- Parametry UTM nie pokazują się w GA4? Wyjaśniamy czemu
- Przekierowanie 301 w .htaccess: reguły, kolejność, query stringi
- Maksymalna długość URL: realny limit znaków
- Jak skrócić URL w Pythonie za pomocą biblioteki requests
- Kod QR się nie skanuje? Cztery przyczyny i jak je naprawić
Najczęściej zadawane pytania
Co to jest kodowanie URL?
Zamiana znaku na znak procentu, po którym następuje jego wartość bajtowa w systemie szesnastkowym, tak żeby znak nie mógł zostać pomylony ze składnią URL. Spacja zmienia się w %20, ampersand w %26, znak zapytania w %3F. Mechanizm definiuje RFC 3986, nazywa się też percent-encoding.
Które znaki trzeba kodować w URL?
Wszystko poza zbiorem unreserved, który RFC 3986 definiuje jako litery, cyfry i cztery znaki: myślnik, kropkę, podkreślenie i tyldę. Wszystko inne to albo zarezerwowana interpunkcja niosąca znaczenie strukturalne, albo bajt spoza ASCII, i oba przypadki muszą być zakodowane procentowo, kiedy występują wewnątrz wartości, a nie jako składnia.
Czy powinienem kodować cały URL, czy tylko jego części?
Tylko części. Przepuszczenie całego URL-a przez encoder zmienia https://example.com w https%3A%2F%2Fexample.com, co w ogóle nie jest już URL-em. Koduj każdą wartość parametru query i każdy segment ścieżki osobno, a schemat, host i separatory zostaw bez zmian.
Spacja to %20 czy znak plus?
Jedno i drugie, w różnych miejscach. W ścieżce i w ogólnym URI spacja to %20. W query string zbudowanym tak, jak buduje go formularz HTML, spacja to znak plus, bo tak właśnie definiuje to serializacja application/x-www-form-urlencoded. Dosłowny plus wewnątrz wartości query trzeba więc zapisać jako %2B, bo inaczej zostanie odczytany jako spacja.
Co to jest podwójne kodowanie?
Zakodowanie czegoś, co było już zakodowane, przez co %20 zmienia się w %2520, bo sam znak procentu zostaje zamieniony na %25. Symptomem jest strona wyświetlająca dosłowne %20 w tekście albo parametr, który przychodzi z widocznymi sekwencjami ucieczki. To prawie zawsze wartość przechodząca przez dwie warstwy, z których każda usłużnie ją zakodowała.
Czemu zakodowane znaki utrudniają skanowanie kodu QR?
Bo każdy z nich kosztuje trzy znaki zamiast jednego. Spacja to jeden znak intencji i trzy znaki payloadu, więc kilka z nich może przesunąć kod o wersję albo dwie wyżej, co znaczy więcej modułów na tej samej powierzchni druku. Zakodowanie długiego URL-a śledzącego w kod QR to jeden z najszybszych sposobów na zrobienie kodu, który skanuje się tylko z bliskiej odległości.
Wypróbuj Elido
Wklej URL, otrzymaj krótki link
Bez rejestracji. Link działa 30 dni. Zarejestruj się, aby zachować go na zawsze.
Wymagane darmowe konto. Darmowy plan zawiera łącznie 25 linków. Masz już konto? Zaloguj się
