Hvilket charset følger RFC 1738

Kig her :
http://www.faqs.org/rfcs/rfc1738.html

Umiddel bart læser jeg at den bruger US-ASCII.

Encodingen selv hedder bare URL encoding.

Output fra den encoding er US-ASCII.

Det andet argument angiver hvilket encoding der bruges som "midlertidig
tilstand".

Altså:

1 tegn --(ISO-8859-1 encoding)--> 1 byte --(URL encoding)--> %nn

1 tegn --(UTF-8 encoding)--> 2 bytes --(URL encoding)--> %nn%mm

Problemet med UTF-8 er, at spaces erstattes med '+' jf. RF2279, men jeg skal bruge '%20' i stedet, jf. RFC1738....

Øh.

Håndteringen af space har næppe noget med UTF-8 versus ISO-8859-1 at
gøre. Det er kun >=128 tegnene det påvirker.

Hvis jeg husker rigtigt så skal man bruge %20 før ? og + efter ?.

Men jeg har lige testet og du har ret URLEncoder er meget glad for + !

Det er fordi + erstatter space jf. RFC 2279.

Men jf. RFC1738 erstatter %20 space... Hvilket charset er det så man skal bruge for at gøre dette?

Det har intet med karakter sæt at gøre.

Og jeg forstår ikke det med RFC'erne. RFC 2279 er en generel beskrivelse
af UTF-8 og har mig bekendt intet med URL'er at gøre. RFC 1738 bruger
%20 men går ikke ind i detaljer om før og efter ? i HTTP.

Men da URLEncode encode tilsyneladende er lavet til brug
for form data, så er det vel ike andet for end at du laver
din egen lille replaceAll !?

Du tænker altså på med String.replaceAll erstatte alle + med %20 - men hvordan ved jeg at RFC2279 udover space gør det samme som RFC1738 ?

Og hvordan skriver man det egentlig ?

String myString = "...";
myString = myString.replaceAll("+", "%20");

Sidste linie smider nemlig en PatternSyntaxException...

Jeg ville kalde replaceALl først.

Eksempel:

import java.io.UnsupportedEncodingException;
import java.net.URLEncoder;

public class Enc {
    public static void main(String[] args) throws Exception {
        System.out.println(URLEncoder.encode("Æ Ø Å", "UTF-8"));
        System.out.println(specialEncode("Æ Ø Å"));
    }
    public static String specialEncode(String s) throws UnsupportedEncodingException {
        return URLEncoder.encode(s.replaceAll(" ", "%20"), "UTF-8");
    }
}

I modsætning til hvad man umiddelbart tror så er det første argument
til replaceAll ig en normal søge-streng men en regular expression.

Og + har en speciel betydning i regular expressions.

specialEncode vil vel ikke virke i praksis, da strengen vil blive dobbelt-encodet. Space vil først blive erstattet af %20, og derefter vil '%' igen blive encodet...

Det har du ret i. Men så vender vi den bare om og escaper plus:

import java.io.UnsupportedEncodingException;
import java.net.URLEncoder;

public class Enc {
    public static void main(String[] args) throws Exception {
        System.out.println(URLEncoder.encode("Æ Ø Å", "UTF-8"));
        System.out.println(specialEncode("Æ Ø Å"));
    }
    public static String specialEncode(String s) throws UnsupportedEncodingException {
        return URLEncoder.encode(s, "UTF-8").replaceAll("\\+", "%20");
    }
}

Ahhh det er "\\+" man skal skrive, kunne nemlig ikke få det til at virke med "+" :)

Fordi det har en betydning ja...

Ja.

replaceAll bruger regex.

Tid at lukke ?

Jep, det må det være. Forskellen på 2279 og 1738 er meget mere end '+' og '%20'. Jeg tyvstjal 1738-encoderen fra Netscape :)