解码URL中的变音符号（或复合与预编译编码）

Question

我的申请处理网址。

以下是一个例子：

https://127.0.0.1/Datei_Verz ._Änderung.gif

浏览器发送的是：

https://127.0.0.1/Datei_Verz._%C3%84nderung.gif

当未转义时（使用AtlUnescapeUrl），％C3和％84被视为不同的字符，因此我最终得到：

https://127.0.0.1/Datei_Verz ._ A“nderung.gif

因此，unescape无法识别浏览器发送复合字符而不是预先组合（使用MSDN中的解释）。

理想情况下，浏览器会用单个Unicode代码点LATIN CAPITAL LETTER A WITH DIAERESIS（U + 00C4）代表Ä，我认为它可能是URL中的％00C4。

那么如何解码初始URL？

Answer 1

这与Unicode规范化（预合成字符与分解字符序列）无关。这只是一个错误的字节编码的情况。

  

理想情况下，浏览器会用单个Unicode代码点LATIN CAPITAL LETTER A WITH DIAERESIS（U + 00C4）代表Ä，我认为它可能是URL中的％00C4。

不：URL编码是基于字节的编码; ％-escape严格是两位数（一个字节），因此%00C4将是一个零字节，后跟文字字符C4。

没有％-encoding覆盖一个具有单个转义序列的代码点。在转义为%nn序列之前，必须将Unicode URL组件编码为字节。

对于基于ISO-8859-1或代码页1252的Web应用程序，

%C4将是Ä的编码，但是大多数Web应用程序今天使用的编码（并且由IRI强制执行）标准）是UTF-8。 %C3%84是UTF-8中Ä的正确编码。

不幸的是，在IRI出现之前，ATL是一个令人伤心的旧图书馆。当它看到非ASCII转义序列时，它会使用您机器的特定于语言环境的默认（ANSI）代码页将它们解码为Unicode，该代码页永远不会是UTF-8。对于西欧Windows安装，您可以获得代码页1252，其中%C3%84表示两个字符Ä。

（这可能是一个错误。在atlutil.h的版本中，我必须提到前面的评论说无论使用什么编码都没关系，因为没有非ASCII字符，这是真的对于上面AtlEscapeUrl中的代码，它不经意地被复制粘贴，但对于AtlUnescapeUrl来说根本不是真的。这似乎意味着ATL转义和unescape函数不使用相同的编码和所以不要往返......哎呀。）

要解决此问题，您可以自己执行Unicode位。而不是调用AtlUnescapeUrl的Unicode（LPWSTR）版本，使用UTF-8编码（MultiByteToWideChar CP_UTF8）将输入的Unicode字符串转换为字节字符串，然后调用{的字节（LPSTR）版本{ {1}}在字节字符串上，再次解码（AtlUnescapeUrl CP_UTF8）。

或者选择另一个较少损坏的URL处理库。