URLの構造と読み方:各部分の名前とエンコードが必要な文字

URL はいくつかの部品に分かれていて、それぞれ決まりがあります。部品の名前と役割が分かると、API の呼び出しでのミスも、怪しいリンクの見分けも楽になります。

URLを部品に分けて読む

次の URL を例に、部品の名前を見てみます。

https://user@www.example.co.jp:8080/blog/post.html?id=12&q=%E3%81%82#comments

部品例意味
スキームhttps通信のやり方。http、https、mailto など
ユーザー情報user@ログイン名(今はほとんど使われない。省略されることが多い)
ホストwww.example.co.jpどのサーバーか。ドメイン名または IP アドレス
ポート8080サーバーの窓口番号。省略すると https は 443、http は 80
パス/blog/post.htmlサーバー内のどのページか
クエリ?id=12&q=...ページに渡す追加情報。名前=値 を & でつなぐ
フラグメント#commentsページ内の位置。サーバーには送られない(ブラウザの中だけで使われる)

ホスト名は「右から」読む

ドメイン名は、右にある部分ほど大きな単位です。www.example.co.jp なら、jp(国)→ co.jp(会社)→ example(登録された名前)→ www(その持ち主が自由に付けた名前)の順です。登録された名前より左は、持ち主が自由に付けられます。

これを使って、本物らしく見せる手口があります。次の2つは、どちらも見た目に example.com が入っていますが、持ち主が違います。

URL実際のホスト(持ち主)
https://example.com.login-check.example/login-check.example(example.com は、その持ち主が付けた左側の名前にすぎない)
https://example.com@login-check.example/login-check.example(@ の前は「ユーザー情報」で、ホストではない)

見るべき場所は、https:// の次から、最初の / の手前までのうち、最後の2〜3区切りと、その直前の @ の有無です。

エンコードが必要な文字

URL に使える文字は決まっていて、それ以外は % と16進数(UTF-8 のバイト)に置き換えます。これが URL エンコード(パーセントエンコーディング)です。

文字エンコード後理由
あ(日本語)%E3%81%82URL に直接使えない文字
(スペース)%20URL に使えない
&%26クエリの区切りと区別するため
=%3D名前と値の区切りと区別するため
#%23フラグメントの始まりと区別するため
?%3Fクエリの始まりと区別するため
+%2Bフォームではスペースを表すため
/%2Fパスの区切りと区別するため(値の中に入れるとき)

エンコードしなくてよいのは、英数字と - . _ ~ です。クエリの値にあたる部分は、必ず値だけをエンコードしてから、? や & でつなぎます。URL 全体を丸ごとエンコードすると、:// まで壊れます。

よくある落とし穴

二重エンコード

すでにエンコードされた %E3%81%82 を、もう一度エンコードすると %25E3%2581%2582 になります(% 自体が %25 になる)。サーバーで1回デコードしても %E3%81%82 が残り、日本語に戻りません。URL に %25 がたくさん見えたら、二重エンコードを疑ってください。

+ と %20 のちがい

フォームから送られるクエリ(application/x-www-form-urlencoded)では、スペースが + で表されます。一方、パスの中や一般のURLエンコードでは、スペースは %20 です。「+ を含む値」を送るときは %2B にしないと、サーバー側でスペースとして読まれます。

JavaScript の関数の使い分け

関数用途
encodeURIComponentクエリの値など、URLの一部だけをエンコードする。& = ? # / もエンコードされる
encodeURIURL全体のうち、日本語やスペースだけをエンコードする。& = ? # / は残る

迷ったら、値には encodeURIComponent を使うのが安全です。

フラグメントはサーバーに届かない

# 以降は、ブラウザだけが使います。アクセスログにも残りませんし、サーバー側のプログラムでは読めません。ページ内リンクや、画面の状態の保存に使われます。

URL の長さには限度がある

URL の長さの上限は、仕様では決まっていませんが、ブラウザやサーバー、プロキシによって上限があります。実用上は2,000文字程度までに収めるのが無難です。長いデータはクエリではなく、リクエストの本文(POST)で送ります。

日本語ドメインと文字コード

ドメイン名に日本語を使うときは、ブラウザの表示は日本語でも、内部では xn-- で始まる形(Punycode)に変換されています。ドメイン以外(パスやクエリ)の日本語は、UTF-8 のパーセントエンコーディングです。古いサイトでは、パスやクエリを Shift_JIS や EUC-JP でエンコードしていることがあり、UTF-8 として読むと文字化けします。

怪しい URL を確認するチェックリスト

  1. https:// の次から最初の / までのホスト名を見る。@ が入っていないか。
  2. ホストの右側の2〜3区切りが、本物の会社のドメインと一致するか。
  3. 見た目が似た別の文字(l と I、0 と O、日本語ドメインの似た文字)に置き換えられていないか。判断がつかないときは Punycode変換で xn-- の形を見る。
  4. 短縮 URL は、そのままクリックせずに、遷移先を表示するサービスで確認する。
  5. QR コードを読み取った後は、表示された URL のホスト名を確認してからアクセスする。
  6. それでも不安なときは、リンクをたどらず、公式サイトをブックマークや検索から開き直す。

関連ツール