波仔
📚 第八章 应用协议
📄 一句话概括

URI 是「标识资源」的通用写法，URL 只是它的一种（定位型的那种）。 中文在 URI 里膨胀 9 倍：一个汉字 3 字节，每个字节变成 3 个字符。

📝 本节和前面几节的关系

这一节把四类 URI 逐段拆开，再量一遍百分号编码的膨胀。 最后说清 quote 那个 safe 参数的坑。

一、URI 和 URL 的关系

URI 是上位概念：只要能「标识」一个资源就算，不要求能定位到它。 URL 是下位概念：它必须能「定位」，也就是给出取到它的方法。 举个最好懂的例子：「张三」这个名字能标识一个人，但不能定位到他在哪儿； 「湖北省宜昌市某某路 1 号」既能标识也能定位。 前者像 URN（名字），后者像 URL（位置）。 两者都是 URI。 实践中这个区分经常被忽略， 因为今天几乎所有 URI 都是 URL——URN 那一支（比如 urn:isbn:...）几乎没铺开。 所以「URI 和 URL 有什么区别」这个问题的实用答案是：「技术上 URI 更大， 日常里说的是同一件事」。

二、没有 netloc 也是合法的 URI

mailto:[email protected] 后面没有 //，也就没有 netloc。 因为「发信给某个人」不需要「去哪台机器、敲哪个门」——收件人的域名要靠 DNS 的 MX 记录去查。 所以「有 netloc」不是 URI 的必备项，是「用 // 开头的定位型 URL」才有的。 这个 // 的来源还挺有意思：它最初是为了兼容「URL 和路径可以混着写」的老用法， 结果留成了一个永久的语法标记。 相对的 URI 更是常见：网页里的每一个链接几乎都是 a/b.html 这种形式， 它不带 scheme 和主机，只能在某个上下文里解析。 所以「一个 URI 是不是绝对地址」，取决于它有没有 scheme。

三、中文为什么变长 9 倍

URI 只允许一小撮 ASCII 字符，其他字符必须写成 %XX 的形式（XX 是字节的十六进制）。 一个汉字在 UTF-8 里是 3 个字节， 每个字节编码成 3 个字符（% 加两位十六进制），所以一个汉字变 9 个字符。 膨胀 9 倍。 这不是「URL 不支持中文」，是「URL 的字符集太小」。 这个 9 倍有实际后果：一个中文标题 30 个字，编码后 270 个字符，再加上域名和路径， 很容易超过浏览器或服务器的 URL 长度上限。 所以「用中文做 URL」在工程上一般被劝阻——不是不能用，是「长度不可控」。 而「哪些字符要编码」这件事，是 URI 规范里最容易写错的一页： 因为有些字符「在某些位置安全、在另一些位置不安全」。 最典型的是 /：它在路径里是分隔符，天然安全；但它是参数值的一部分时就必须编码成 %2F。 所以标准库给了一个 safe 参数，让你自己决定这个清单。

四、动手 Demo：URI 的每一段在说什么，以及中文为什么要变长

先把四类 URI 逐段拆开，再量百分号编码的膨胀。 注意 a/b 在默认行为下根本没变，加 safe='' 才变。

import urllib.parse

cases = [
    'https://user:[email protected]:8443/a/b.html?q=1&n=2#frag',
    'mailto:[email protected]',
    'ftp://ftp.example.org/pub/file.bin',
    '/a/b.html',
]
for u in cases:
    sp = urllib.parse.urlsplit(u)
    print(u)
    print('  scheme =', sp.scheme or '（无）')
    print('  netloc =', sp.netloc or '（无）')
    print('  path   =', sp.path or '（无）')

samples = ['a', '报告', '季度报告2026', 'a b', 'a/b']
for s in samples:
    q = urllib.parse.quote(s)
    q2 = urllib.parse.quote(s, safe='')
    print(repr(s), len(s), len(s.encode('utf-8')))
    print('  quote 默认  ', q, len(q))
    print('  quote 全编码', q2, len(q2))

实跑输出：

--------------------------------------------------------------------
URI 的每一段在说什么，以及中文为什么要变长
--------------------------------------------------------------------
**URI 是「标识一个资源」的通用写法**，**URL 只是它的一种。**
**它的结构不许有歧义，所以每一段都有严格定义。**

**四个不同类型的 URI，拆出来是这样**：

    https://user:[email protected]:8443/a/b.html?q=1&n=2#frag
      scheme = https
      netloc = user:[email protected]:8443
      path   = /a/b.html
      query  = q=1&n=2
      frag   = frag

    mailto:[email protected]
      scheme = mailto
      netloc = （无）
      path   = [email protected]

    ftp://ftp.example.org/pub/file.bin
      scheme = ftp
      netloc = ftp.example.org
      path   = /pub/file.bin

    /a/b.html
      scheme = （无）
      netloc = （无）
      path   = /a/b.html

**注意第二段**：**`mailto:` 后面没有 `//`，也就没有 netloc。**
**因为「发信给某个人」不需要「去哪台机器、敲哪个门」**——**收件人的域名要靠 DNS 的 MX 记录去查。**

**所以「有 netloc」不是 URI 的必备项，是「定位型 URL」才有的。**
**第四段是「相对 URI」**：**它不带 scheme 和主机，只能在某个上下文里解析。**
**网页里的每一个链接几乎都是这种形式。**

**下一件事是「中文为什么在 URL 里变长」**：

    「a」 字符 1  UTF-8 1 字节
      quote 默认    a  （1 字符）
      quote 全编码  a  （1 字符）
    「报告」 字符 2  UTF-8 6 字节
      quote 默认    %E6%8A%A5%E5%91%8A  （18 字符）
      quote 全编码  %E6%8A%A5%E5%91%8A  （18 字符）
    「季度报告2026」 字符 8  UTF-8 16 字节
      quote 默认    %E5%AD%A3%E5%BA%A6%E6%8A%A5%E5%91%8A2026  （40 字符）
      quote 全编码  %E5%AD%A3%E5%BA%A6%E6%8A%A5%E5%91%8A2026  （40 字符）
    「a b」 字符 3  UTF-8 3 字节
      quote 默认    a%20b  （5 字符）
      quote 全编码  a%20b  （5 字符）
    「a/b」 字符 3  UTF-8 3 字节
      quote 默认    a/b  （3 字符）
      quote 全编码  a%2Fb  （5 字符）

**`报告` 这一行说明两件事**：**一个汉字在 UTF-8 里是 3 个字节**，
**每个字节编码成 `%XX` 又要 3 个字符，所以一个汉字变 9 个字符。**
**膨胀 9 倍。**
**这不是「URL 不支持中文」，是「URL 只允许一小撮 ASCII 字符」。**

**最后一行还有一个坑**：**`a/b` 在 `quote` 的默认行为下根本没变，斜杠原样留着。**
**因为 `/` 在 URL 的路径里本来就是合法分隔符，标准把一小撮字符列成了「安全字符」。**

**但只有当斜杠是「路径结构」时才安全。**
**如果 `/` 是「参数值的一部分」，就必须编码成 `%2F`**——**否则服务端会把它当成新的一级目录。**
**所以 `quote` 才留了一个 `safe` 参数让你改这个清单。**
**同理 `?`、`#`、`&`、`=` 都有各自的「什么时候算安全」的规则。**
**「哪些字符要编码」这件事，是 URI 规范里最容易写错的一页。**

第二段 mailto: 没有 netloc，第四段 /a/b.html 连 scheme 都没有。 这两个都是合法的 URI，只是一个「不需要定位」，一个「还没给出定位的前半截」。 报告 两个汉字 6 个字节，编码后 18 个字符，正好 9 倍。 季度报告2026 是 16 字节变 40 字符——因为里面那 4 个数字不用编码，所以不到 9 倍。 最后一行最能说明问题：a/b 在 quote 的默认行为下原样留成 a/b， 加 safe='' 之后才变成 a%2Fb。 因为 / 在 URL 的路径里本来就是合法分隔符，标准把它列进了「安全字符」。 但只有当斜杠是「路径结构」时才安全—— 如果它是参数值的一部分，不编码就会被服务端当成新的一级目录。

30 秒实验

  1. 算一下：30 个汉字的标题，编码后是多少字符？
  2. 想一下：为什么 mailto: 后面不需要 //？
  3. 想一下：quote 的 safe 参数该在什么时候用？

常见误区

  1. 以为「URI 就是 URL」。 URL 是 URI 的一种，只要求「能定位」。
  2. 以为「// 是 URI 的必备语法」。 mailto: 就没有，它不是必需的。
  3. 以为「中文不能被编码成 URL」。 能，只是要膨胀 9 倍，问题在长度不在可行性。
自测三问（点开对答案） 1. URI 和 URL 的关系是什么？ —— **URL 是 URI 的子集**，要求能定位到资源。 2. 一个汉字编码后为什么变 9 个字符？ —— **UTF-8 里 3 个字节，每个字节写成 `%XX` 占 3 个字符。** 3. `a/b` 为什么默认不被编码？ —— **`/` 在路径里是合法分隔符**，属于「安全字符」。

下一节看 HTML 到底是干什么的。

相关笔记