URL Decode 的实现原理

URL Decode 的实现原理

Unicode 与 UTF

• Unicode 类似于一本字典，襄括世界上的绝大部分语言中的字符，即解决了字符的编码方式
• 但 Unicode 可能用 2 个字节或 4 个字节对字符进行编码，对于一些本可用较少存储空间的字符（如单字节字符），以及历史字符集的兼容（如 ASCII 先于 Unicode 产生），则需要设计单独的实现方式加以处理，由此产生 Unicode 转换格式（Unicode Transformation Format, UTF），如 UTF-8, GBK, GB2312, BIG5, UTF-16

Unicode 和 UTF-8 之间的转换关系表

字节序列	Unicode 十六进制码点范围	UTF-8 二进制
		Byte 4	Byte 3	Byte 2	Byte 1
1	0000 0000 - 0000 007F				0xxxxxxx
2	0000 0080 - 0000 07FF			110xxxxx	10xxxxxx
3	0000 0800 - 0000 FFFF		1110xxxx	10xxxxxx	10xxxxxx
4	0001 0000 - 0010 FFFF	11110xxx	10xxxxxx	10xxxxxx	10xxxxxx

System.out.println((char)0x6c49);  // 汉

Unicode 和 UTF-16 转换算法

UTF-16 组成

• 基本平面： U+0000~U+FFFF

  • U+0000~U+D7FF
  • U+D800~U+DFFF：空段，用于映射辅助平面上的字符
    • U+D800~U+DBFF：高位
    • U+DC00~U+DFFF：低位
  • U+E000~U+FFFF

• 辅助平面：U+ 010000~ U+10FFFF

UTF-16 解码

• 高位：((unicode 值 - 0x10000) >> 10) + 0xD800

• 低位：((unicode 值 - 0x10000) % 0x400) + 0xDC00

高位\低位	0xDC00	0xDC01	…	0xDFFF
0xD800	10000	10001	…	103FF
0xD801	10400	10401	…	107FF
…	…	…	…	…
0xD8FF	10FC00	10FC01	…	10FFFF

System.out.println(new String(new char[]{(char)55356, (char)56324}));  // 🀄

URL Decode 的代码实现

URL 只能由英文字母、数字和一些标点符号组成，而其它字符必须编码后使用

/**
 * URL Decode 的实现原理
 */
public class UrlDecode {

    public static void main(String[] args) {
        String str = "/controller/action?&wd=%F0%9F%8D%80&s=%E9%9D%92%E5%B1%B1%E6%9C%AC%E4%B8%8D%E8%80%81%EF%BC%8C%E4%B8%BA%E9%9B%AA%E7%99%BD%E5%A4%B4%EF%BC%9B%E7%BB%BF%E6%B0%B4%E6%9C%AC%E6%97%A0%E5%BF%A7%EF%BC%8C%E5%9B%A0%E9%A3%8E%E7%9A%B1%E9%9D%A2&page=1&page_size=30";

        String decodedStr = urldecode(str);
        System.out.println(decodedStr);
    }

    public static String urldecode(String s) {
        boolean needToChange = false;
        int numChars = s.length();
        StringBuilder sb = new StringBuilder();
        int i = 0;
        char c;
        String vv = "+%";
        byte vNum1 = (byte)vv.charAt(0);
        byte vNum2 = (byte)vv.charAt(1);
        while (i < numChars) {
            c = s.charAt(i);
            byte cNum = (byte)c;
            if (cNum == vNum1) {
                sb.append(' ');
                i++;
                needToChange = true;
            } else if (cNum == vNum2) {
                String hexString = "";
                int countHex = 0;
                int[] tmpBytes = null;
                while (((i + 2) < numChars) && ((byte)c == vNum2)) {
                    int v = Integer.parseInt(s.substring(i + 1, i + 3), 16);
                    if (tmpBytes == null) {
                        tmpBytes = new int[4];
                    }
                    tmpBytes[countHex] = v;
                    int byteCount = 1;
                    int preBitNum = tmpBytes[0] >> 4; // ????xxxx
                    if (preBitNum >= 15) { // 1111
                        byteCount = 4;
                    } else if (preBitNum >= 14) {  // 1110
                        byteCount = 3;
                    } else if (preBitNum >= 12) {  // 110x
                        byteCount = 2;
                    }
                    hexString += s.substring(i + 1, i + 3);
                    countHex += 1;
                    if (byteCount == countHex) {
                        char result;
                        if (byteCount == 1) {
                            result = (char)v;
                            sb.append(result);
                        } else {
                            if (hexString.length() >= 8) {
                                int fourth = Integer.parseInt(hexString.substring(0, 2), 16);
                                int left = Integer.parseInt(hexString.substring(2, 8), 16);
                                // 11110xxx 10xxxxxx 10xxxxxx 10xxxxxx
                                int unicodeNum = ((fourth & 7) << 18) | ((left & 0x3f0000) >> 4) | ((left & 0x3f00) >> 2) | (left & 0x3f);
                                int highBit = ((unicodeNum - 0x10000) >> 10) + 0xD800;  // 上 10 位 + 0xD800 => 高位
                                int lowBit = (unicodeNum - 0x10000) % 0x400 + 0xDC00;   // 下 10 位 + 0xDC00 => 低位
                                sb.append((char)highBit);
                                sb.append((char)lowBit);
                            } else {
                                int num = Integer.parseInt(hexString, 16);
                                if ((num & 0xe00000) > 0) {  // 1110 0000 0000 0000 0000 0000
                                    // 1110xxxx 10xxxxxx 10xxxxxx
                                    result = (char)(((num & 0xf0000) >> 4) | ((num & 0x3f00) >> 2) | (num & 0x3f));
                                } else if ((num & 0xc000) > 0) {  // 1100 0000 0000 0000
                                    // 110xxxxx 10xxxxxx
                                    result = (char)(((num & 0x1f00) >> 2) | (num & 0x3f));
                                } else {
                                    // 0xxxxxxx
                                    result = (char)(num & 127);
                                }
                                sb.append(result);
                            }
                        }
                        hexString = "";
                        countHex = 0;
                    }
                    i += 3;
                    if (i < numChars) {
                        c = s.charAt(i);
                    }
                }
                needToChange = true;
            } else {
                sb.append(c);
                i++;
            }
        }

        return needToChange ? sb.toString() : s;
    }

}

参考

• java.net.URLDecoder.decode()

• https://zh.wikipedia.org/wiki/UTF-8 UTF-8

• https://zh.wikipedia.org/wiki/UTF-16 UTF-16

• https://blog.csdn.net/hezh1994/article/details/78899683 彻底弄懂 Unicode 编码

• https://blog.csdn.net/sinat_38816924/article/details/78438070

• https://blog.csdn.net/iteye_13222/article/details/82636048 java 中文字符串，utf-8编码为byte数组的计算过程

• https://blog.csdn.net/zx1749623383/article/details/79540748 Java编码和解码Unicode

• https://blog.csdn.net/e19901004/article/details/103880863 判断字符串中是否含有4字节字符（UTF8编码）

• https://www.cnblogs.com/weizhxa/p/12010890.html 特殊字符(包括emoji)梳理和UTF8编码解码原理

• https://blog.csdn.net/left_la/article/details/36188181 Unicode详解(UCS-2,UCS-4,UTF-8,UTF-16,UTF-32)

• http://www.fmddlmyy.cn/text6.html 谈谈Unicode编码，简要解释UCS、UTF、BMP、BOM等名词

• https://tool.lu/hexconvert/ 进制转换

• http://tool.chinaz.com/tools/urlencode.aspx URL编码/解码

• https://design215.com/toolbox/utf8-4byte-characters.php UTF-8 4-BYTE CHARACTER CHART