Para qué sirve la codificación porcentual

Una URL es una gramática pequeña y estricta. Un puñado de caracteres tienen un significado estructural: / separa segmentos de ruta, ? inicia la consulta, & separa parámetros, # marca un fragmento, : y @ tienen funciones en la autoridad. Entonces, ¿qué pasa cuando uno de esos caracteres necesita aparecer como dato corriente, por ejemplo un término de búsqueda que contiene literalmente un &, o un segmento de ruta con un espacio? No puedes ponerlo en bruto, porque el analizador de URL lo leería como estructura y se rompería. La codificación porcentual, definida en RFC 3986 y a menudo llamada codificación de URL, es el mecanismo de escape que resuelve esto: reescribe un carácter no seguro como un % seguido de los dos dígitos hexadecimales de su valor de byte.

Un espacio se convierte en %20, una barra en %2F, un ampersand en %26. El texto a b/c se codifica como a%20b%2Fc. El decodificador lo invierte: cada %XX vuelve a convertirse en el byte XX, y el carácter original regresa.

El conjunto no reservado: lo que se queda igual

La codificación porcentual no toca todo. RFC 3986 define un pequeño conjunto no reservado de caracteres que siempre es seguro dejar literalmente en una URL y que nunca deberían escaparse:

  • las letras A-Z y a-z
  • los dígitos 0-9
  • las cuatro marcas -, ., _ y ~

Todo lo demás, incluidos los caracteres estructurales reservados y cualquier cosa fuera de ASCII, se codifica con porcentaje cuando aparece como dato. Los bytes por encima de 127 se manejan codificando primero el texto como UTF-8 y luego codificando con porcentaje cada byte resultante, por eso una sola letra acentuada o un emoji se convierte en una serie de varios pares %XX, uno por cada byte UTF-8.

Por qué %XX son dos dígitos hexadecimales

El % es un marcador de escape; los dos caracteres que le siguen son el byte en hexadecimal, exactamente la codificación hexadecimal de un byte. Esa es toda la razón por la que un escape válido siempre es % más dos dígitos hexadecimales y nada más. Un % seguido de algo que no son dos dígitos hexadecimales, como %2G, o un % suelto al final de la cadena, está mal formado, y un decodificador cuidadoso lo informa en lugar de adivinar.

En qué se diferencia de Base64

Es tentador meter la codificación porcentual en el mismo saco que Base64, pero responden a preguntas distintas. Base64 toma binario arbitrario y lo hace todo seguro para un canal de texto, expandiendo cada entrada en aproximadamente un tercio. La codificación porcentual deja intacta la mayoría ya segura del texto y escapa solo los pocos caracteres que causarían problemas. Para texto corriente que es en su mayoría letras y dígitos, la codificación porcentual es mucho más compacta y sigue siendo legible para humanos; para binario en bruto, donde casi todos los bytes necesitarían escaparse, es tremendamente ineficiente y Base64, o su variante segura para URL, es la herramienta adecuada.

Dicho de forma sencilla: la codificación porcentual es un escape selectivo para texto que va dentro de una URL; Base64 es una recodificación completa para bytes que van a cualquier lugar que solo admite texto.

Pruébalo

Selecciona Percent en la herramienta de códec para codificar texto con porcentaje o decodificar una cadena %XX de vuelta, todo en tu navegador. Codifica el contenido no ASCII como bytes UTF-8, señala un escape mal formado, y te dice cuándo un resultado decodificado es binario en lugar de texto legible.