**统一资源标识符(Uniform Resource Identifier,URI)**是用于标识抽象或实体资源的字符序列。它为在互联网及其他信息系统中标识资源提供了通用框架,而不要求所有资源采用相同的命名机制或访问方式。资源可以是文档、图像、服务、个人、概念,也可以是应用程序需要标识的任何其他事物。常见示例包括 https://example.org/about、mailto:editor@example.org 和 urn:isbn:9780131103627。
URI 的通用语法主要由 RFC 3986 定义,该文档是互联网工程任务组的一项标准。URI 用于标识资源;它本身并不保证资源确实存在、能够获取或将持续可用。
标识、定位与命名
URI 的一个核心特点,是区分标识资源与访问资源的表示形式。标识符可以指向本身无法通过网络传输的事物。例如,某个 URI 可以标识一本书,而使用该标识符发出的请求返回的则是有关这本书的目录记录。
一个资源也可以有多种表示形式。同一个网络资源可以根据请求,提供 HTML 文档、机器可读的描述或不同语言的内容。这些表示形式不一定是独立的资源,不过它们也可以拥有各自的标识符。
以下两个术语描述了 URI 框架的重要用途:
- **统一资源定位符(URL):**除了标识资源,还通过描述其主要访问机制,提供定位资源的方法。HTTPS 地址就是常见的例子。
- **统一资源名称(URN):**使用
urn方案的标识符,旨在支持在既定命名空间内进行持久且不依赖位置的命名。基于 ISBN 的 URN 标识的是某种图书出版物,而不是介绍或提供该出版物的某个特定网站。
在 RFC 3986 框架中,“URL”和“URN”描述的是标识的不同侧面,而不是将标识符穷尽地划分为两个互不相交的类别。名称可以是可解析的,定位符也可以长期保持稳定。此外,现代浏览器标准以“URL”为主要术语,并定义了自己的解析和处理模型。
无论是 URI 本身,还是用于解析它的技术,都不会自动确保标识的持久性。能否实现长期标识,取决于名称的分配、维护和治理方式。
通用语法
URI 的通用结构如下:
scheme ":" hier-part [ "?" query ] [ "#" fragment ]
这种表示法中的方括号表示可选组件。一种常见的层次结构形式如下:
scheme://authority/path?query#fragment
并非每个 URI 都具有权威组件、查询组件或片段组件。例如,mailto:editor@example.org 就不具有 HTTP 地址的结构。
以下面的 URI 为例:
https://example.org:8443/catalog/items?category=books#details
| 组件 | 示例 | 功能 |
|---|---|---|
| 方案 | https |
指定标识方案及其规则 |
| 权威组件 | example.org:8443 |
标识命名机构,通常包含主机和端口 |
| 路径 | /catalog/items |
提供层次化或方案特定的标识信息 |
| 查询 | category=books |
提供额外的、通常非层次化的标识信息 |
| 片段 | details |
标识与主资源相关的次级资源 |
方案
方案以字母开头,后面可以包含字母、数字、加号、连字符和句点。方案名称不区分大小写:HTTP 和 http 指定的是同一种方案,不过通常采用小写形式。
方案不一定是网络协议。https 方案与超文本传输安全协议相关,但 urn 建立的是命名框架,而 data 允许将数据直接嵌入标识符。互联网号码分配局负责维护 URI 方案注册表。
权威组件
如果存在权威组件,它以 // 引入,一般形式如下:
[userinfo@]host[:port]
主机可以是注册名称、IPv4 地址,或 IP 字面量,例如用方括号括起的 IPv6 地址。对于互联网应用,注册名称通常使用域名系统,但通用 URI 语法并不要求每个主机组件都是 DNS 名称。
权威组件并不能证明所有权或真实性。@ 前面的用户信息也不同于主机:在 https://name@example.org/ 中,主机是 example.org,而不是 name。由于存在安全风险,通用标准已弃用在用户信息中包含密码的语法。
路径
路径由以 / 分隔的若干段组成。其具体含义取决于方案和应用程序。
尽管外观相似,URI 路径并不一定是文件系统中的目录路径。网络服务器可以将其映射到数据库查询、动态生成的文档、服务操作或其他资源。文件扩展名和类似目录的结构只是应用层面的约定,并非 URI 的通用要求。
查询
查询从第一个 ? 开始,到片段分隔符之前或 URI 末尾结束。网络应用经常将其表示为名称—值对:
?category=books&sort=title
然而,通用 URI 标准并不要求采用这种结构。它并未普遍规定 & 表示“参数分隔符”,或 = 表示“名称—值分隔符”。这些含义来自特定格式和应用约定。
片段
片段以 # 开始,用于标识与主资源相关的次级资源。其具体含义取决于表示形式的媒体类型及相关规则。在超文本标记语言中,片段通常用于标识文档中的某个元素。
通过 HTTP 获取资源时,发送给服务器的请求目标中不包含片段。客户端会结合获取到的表示形式来处理片段。因此,两个仅在片段上有所不同的引用,通常会请求同一个主资源,但可能标识其中不同的部分或视图。
字符与百分号编码
通用 URI 语法使用美国信息交换标准代码中一个受限的字符集合,包括字母、数字、某些标点符号和转义序列。
非保留字符如下:
A–Z a–z 0–9 - . _ ~
保留字符,如 /、?、#、: 和 @,可以承担结构性作用或方案特定的作用。其含义取决于出现的位置。
百分号编码用 % 后接两位十六进制数字来表示一个八位字节。例如,%20 表示常见文本编码中用于表示空格的八位字节值。
字符与八位字节之间的区别很重要。要编码非 ASCII 文本,应用程序必须先使用适当的字符编码,通常为 UTF-8编码,然后在需要时对生成的八位字节进行百分号编码。百分号编码本身并不规定这些八位字节是由哪种文本编码产生的。
由此可以得出几条实际结论:
- 通用 URI 语法不允许直接出现空格。
- 对保留分隔符进行编码可能改变其作用。字面形式的
/用于分隔路径段;在通用解析中,%2F不起路径分隔符的作用,不过后续应用处理可能会对它作出相应解释。 +在通用语法中并不表示空格。这种解释来自某些查询处理系统采用的表单编码约定。- 重复解码可能改变含义并引发安全问题。经过编码的百分号在首次解码后,可能成为另一个转义序列的起始符。
RFC 3987 定义的国际化资源标识符(IRI)扩展了这一标识模型,以支持范围更广的 Unicode统一码字符。IRI 与 URI 密切相关,但两者并不是可以直接互换的字符串;转换须遵循明确的规则。
URI 引用与相对引用解析
URI 引用可以是 URI,也可以是相对引用。URI 包含方案;相对引用则依靠基准 URI来确定其含义。
给定以下基准 URI:
https://example.org/docs/chapter/page.html
下列引用的解析结果如下:
| 引用 | 解析后的 URI |
|---|---|
next.html |
https://example.org/docs/chapter/next.html |
../index.html |
https://example.org/docs/index.html |
/images/logo.svg |
https://example.org/images/logo.svg |
?print=1 |
https://example.org/docs/chapter/page.html?print=1 |
#overview |
https://example.org/docs/chapter/page.html#overview |
//static.example.org/main.css |
https://static.example.org/main.css |
解析遵循明确的算法,而不是随意拼接字符串。它可以根据引用的结构替换权威组件、合并路径、移除 . 和 .. 路径段,并继承或替换相应组件。
基准 URI 可以来自获取资源时的上下文、所在文档或显式声明。因此,相同的相对引用在不同上下文中可能标识不同的资源。移动文档或更改其声明的基准 URI,都可能改变其中链接的含义。
比较与规范化
比较 URI 比比较字符串更复杂。两个不同的字符串可能标识同一个资源,但要确定它们是否等价,可能需要了解具体方案或应用程序。
常见的规范化规则包括:
- 在方案和主机不区分大小写时,将这些组件转换为小写。
- 对百分号编码序列中的十六进制数字采用一致的字母大小写。
- 将以百分号编码表示的非保留字符解码。
- 在适当情况下,移除层次化路径中的点段。
- 应用方案特定的规则,例如识别 HTTP 或 HTTPS 的默认端口。
这些规则也有局限。除非方案或应用程序另有规定,否则路径通常按区分大小写处理。重新排列查询参数、移除末尾斜杠或解码保留字符,并非在所有情况下都安全。
例如,不能假定:
https://example.org/a%2Fb
https://example.org/a/b
彼此等价。以下两者也不能假定等价:
https://example.org/item?id=1&id=2
https://example.org/item?id=2&id=1
服务器对重复查询参数的解释可能与其排列顺序有关。
即使没有通用规范化规则来确定等价关系,应用程序也可能将不同标识符视为等价。反过来,同一个 URI 返回的表示形式也可能随时间变化。因此,标识符是否相等、资源是否为同一对象,以及表示形式是否相同,是三个不同的问题。
应用
URI 构成了万维网的基础标识层,出现在超链接、文档引用、重定向以及使用超文本传输协议的请求中。
它们还支持以下用途:
- 服务接口:应用程序编程接口使用 URI 标识端点和资源。
- 结构化信息:元数据系统使用标识符区分实体和词汇表。
- 关联数据:JSON-LD 及相关技术使用 IRI 表达具有全局作用域的标识符。
- 文档处理:XML 命名空间名称是用作标识符的 URI 引用,并非要求必须下载命名空间文档的指令。
- 非网页操作:
mailto、tel等方案用于标识目的地址或资源,由执行常规网页获取以外操作的应用程序处理。
将 URI 用作标识符,并不意味着软件应自动对其解引用。命名空间名称、词汇表术语和持久标识符可以独立于资源获取而发挥标识作用。
安全与隐私
URI 处理是网络安全的重要环节,因为标识符会跨越解析器、应用程序、操作系统和网络之间的边界。
解析器解释不一致可能导致不同组件对同一个 URI 作出不同解释。涉及反斜杠、编码后的分隔符、非典型主机形式或重复解码的处理差异,都可能破坏安全检查的有效性。
误导性呈现可能掩盖实际目的地。用户信息字段、冗长的主机名以及外观相似的 Unicode 字符,都可能使地址看起来隶属于另一个机构。
不可信的资源获取可能导致服务器联系内部系统或暴露本地资源,尤其是在应用程序接受任意 URI 方案和目的地址的情况下。
当敏感信息出现在 URI 中时,可能发生信息泄露。查询内容可能被记录在浏览器历史记录、服务器日志、分析系统或复制的链接中。片段虽然不会作为 HTTP 请求目标的一部分发送,但仍可被客户端脚本读取,并通过其他处理过程暴露。
URI 不会仅仅因为标识了某个资源,就成为授权凭据。访问控制和身份认证是独立的机制,不过某些系统会有意在地址中放置持有者令牌,使这些地址的泄露成为安全问题。
历史与标准
URI 框架与蒂姆·伯纳斯-李创建的早期万维网一同发展。1994 年发布的 RFC 1630 描述了“万维网中的通用资源标识符”。随后,1998 年发布的 RFC 2396 为统一资源标识符规定了统一的通用语法。
RFC 3986 于 2005 年 1 月发布,被定为互联网标准 STD 66,取代 RFC 2396,成为主要的通用语法规范。同样于 2005 年发布的 RFC 3987 定义了国际化资源标识符。
网页浏览器的互操作性也受到 WHATWG URL 标准的影响。该标准详细定义了解析、序列化和处理行为,包括如何处理不符合 RFC 3986 通用语法的输入。因此,验证字符串是否为符合 RFC 规范的 URI,与预测网页浏览器将如何处理该字符串,是相互关联但又不同的任务。