C语言中地址栏与GET表单的UTF-8 Unicode编码差异及兼容指导

我来帮你搞定这个同时支持两种URL参数编码场景的问题！先梳理下你遇到的核心现象：

两种编码场景的差异 #

1. 表单GET提交场景 #

当你通过<form method="GET">输入波斯数字（比如۱、۲）提交后，浏览器会先把非ASCII字符转成HTML十进制实体（比如۱变成۱），再对实体字符串做URL编码，最终QUERY_STRING里的参数是：

• ۱ → %26%231777%3B（解码后是۱）
• ۱۲۳ → %26%231777%3B%26%231778%3B%26%231779%3B（解码后是۱۲۳）

2. 手动修改URL场景 #

直接在地址栏输入?identifier=۱时，浏览器会直接对字符的UTF-8字节做URL编码，QUERY_STRING里的参数是：

• ۱ → %DB%B1（解码后是UTF-8字节\xDB\xB1，对应字符۱）
• ۱۲۳ → %DB%B1%DB%B2%DB%B3（解码后是连续的UTF-8字节）

解决方案：两步解码法 #

要同时支持这两种场景，我们需要先做URL解码，再判断并处理HTML实体解码，具体步骤如下：

第一步：URL解码 #

不管哪种场景，先把%XX格式的URL编码转成原始字符串/字节串，这是基础操作。

第二步：HTML实体判断与解码 #

URL解码后，如果内容以&#开头且以;结尾，说明是HTML实体，需要把十进制数字转成对应的Unicode字符（再转成UTF-8字节，因为网页输出通常用UTF-8）；如果是普通UTF-8字节串，直接使用即可。

完整代码示例 #

1. URL解码函数 #

#include <stdio.h>
#include <string.h>
#include <stdlib.h>
#include <ctype.h>

// 标准URL解码函数，处理%XX和+（空格）
void decodeUrl(char *dst, const char *src) {
    char *d = dst;
    while (*src) {
        if (*src == '%' && isxdigit(src[1]) && isxdigit(src[2])) {
            // 将%XX转换为对应的字节
            char hex[3] = {src[1], src[2], '\0'};
            *d++ = (char)strtol(hex, NULL, 16);
            src += 3;
        } else if (*src == '+') {
            // URL中+代表空格
            *d++ = ' ';
            src++;
        } else {
            *d++ = *src++;
        }
    }
    *d = '\0';
}

2. HTML实体解码函数（针对十进制实体） #

// 检测并解码HTML十进制实体（如۱）为UTF-8字符串
int decodeHtmlEntity(char *dst, const char *src) {
    // 判断是否是HTML十进制实体格式
    if (strncmp(src, "&#", 2) != 0) {
        strcpy(dst, src);
        return 0;
    }

    const char *numStart = src + 2;
    const char *numEnd = strchr(numStart, ';');
    if (!numEnd) {
        // 格式不完整，返回原字符串
        strcpy(dst, src);
        return 0;
    }

    // 提取十进制数字并转换为Unicode码点
    char numBuf[16];
    strncpy(numBuf, numStart, numEnd - numStart);
    numBuf[numEnd - numStart] = '\0';
    long unicode = strtol(numBuf, NULL, 10);

    // 将Unicode码点转换为UTF-8（支持BMP范围内字符，U+0000到U+FFFF）
    if (unicode <= 0x7F) {
        dst[0] = (char)unicode;
        dst[1] = '\0';
    } else if (unicode <= 0x7FF) {
        dst[0] = 0xC0 | (unicode >> 6);
        dst[1] = 0x80 | (unicode & 0x3F);
        dst[2] = '\0';
    } else if (unicode <= 0xFFFF) {
        dst[0] = 0xE0 | (unicode >> 12);
        dst[1] = 0x80 | ((unicode >> 6) & 0x3F);
        dst[2] = 0x80 | (unicode & 0x3F);
        dst[3] = '\0';
    } else {
        // 超出BMP范围的字符，这里简单返回原字符串，可按需扩展
        strcpy(dst, src);
        return -1;
    }
    return 1;
}

3. 主逻辑（CGI处理代码） #

int main() {
    // 设置网页编码为UTF-8，避免乱码
    printf("Content-Type: text/html; charset=UTF-8\n\n");

    char *query = getenv("QUERY_STRING");
    if (!query) {
        printf("<p>No query parameters found</p>");
        return 0;
    }

    // 复制QUERY_STRING到可修改缓冲区（避免直接修改环境变量字符串）
    char queryBuf[1024];
    strncpy(queryBuf, query, sizeof(queryBuf) - 1);
    queryBuf[sizeof(queryBuf) - 1] = '\0';

    // 拆分多个参数（用&分隔）
    char *param = strtok(queryBuf, "&");
    while (param != NULL) {
        char key[256], val[256];
        char *eqPos = strchr(param, '=');
        if (!eqPos) {
            param = strtok(NULL, "&");
            continue;
        }

        // 提取参数名和原始参数值
        strncpy(key, param, eqPos - param);
        key[eqPos - param] = '\0';
        strncpy(val, eqPos + 1, sizeof(val) - 1);
        val[sizeof(val) - 1] = '\0';

        // 第一步：URL解码
        char urlDecodedVal[256];
        decodeUrl(urlDecodedVal, val);

        // 第二步：处理HTML实体或直接使用UTF-8
        char finalVal[256];
        decodeHtmlEntity(finalVal, urlDecodedVal);

        // 输出结果到网页
        printf("<p><strong>参数名:</strong> %s</p>", key);
        printf("<p><strong>原始参数:</strong> %s</p>", val);
        printf("<p><strong>URL解码后:</strong> %s</p>", urlDecodedVal);
        printf("<p><strong>最终处理结果:</strong> %s</p><hr>", finalVal);

        param = strtok(NULL, "&");
    }

    return 0;
}

关键说明 #

• 缓冲区大小：代码中使用的缓冲区（如1024、256）可根据你的实际参数长度需求调整，避免缓冲区溢出。
• 字符范围：当前HTML实体解码仅支持BMP范围内的Unicode字符，如需支持emoji等超出BMP的字符，需要扩展UTF-8转换逻辑。
• 错误处理：代码中包含基础的错误处理（如无效的实体格式），你可以根据需求进一步完善（比如处理十六进制HTML实体&#xXXXX;）。

内容的提问来源于stack exchange，提问作者Math Love