统一资源定位符(Uniform Resource Locator,缩写为 URL)是一种结构化标识符,用于指定资源所在的位置,以及访问或解释该资源所采用的方案。常见的例子包括万维网上的网页地址,如 https://example.org/articles/history;不过,URL 也可以标识可下载的文件、本地文档、嵌入式数据,以及由浏览器以外的应用程序处理的目标。URL 用于标识资源,但并不保证该资源确实存在、持续可用,或始终返回相同的内容。
URL 将万维网的命名、导航和通信系统连接起来。它们出现在超链接、浏览器地址栏、软件接口、配置文件以及机器之间的请求中。对 URL 的解释取决于多种相互作用的规则,包括各个组成部分的语法、方案的语义、字符编码、引用解析,以及处理它们的软件的行为。互联网标准描述了通用的标识符模型,而面向浏览器的标准则规定了实现互操作所需的详细解析行为。
标识、定位与资源
互联网通用标识符框架将 URL 与范围更广的统一资源标识符(URI)概念加以区分。按照 2005 年发布的 RFC 3986 中的术语定义,URL 是一种通过资源的主要访问机制(例如网络位置)来标识资源的 URI。URI 一词既涵盖定位符,也涵盖主要用作名称的标识符。例如,统一资源名称(URN)使用 urn: 方案以及特定命名空间的命名系统,而不是直接指定通常意义上的 Web 资源获取位置。
这种区分是概念上的,并不能可靠地用于划分临时标识符和永久标识符。一个得到妥善维护的 HTTPS URL 可以保持数十年不变,而一个名称也可能因其支撑基础设施的消失而失效。这种区分也不要求资源必须是静态文件。URL 可以标识不断变化的天气报告、数据库查询接口、个人资料页面,或通过 Web 表示形式加以描述的抽象概念。对同一 URL 的不同次获取可以产生不同结果,而不改变其发布者赋予资源的身份。
“统一”指的是为原本不同的访问系统提供一套通用的标识符框架。标识符的起始部分称为“方案”,决定了其余部分应如何解释。在 https://example.org/report 中,方案是 https;在 mailto:editor@example.org 中,方案则是 mailto。方案不一定是传输协议。mailto: URL 描述电子邮件的收件地址,也可能包含邮件字段;而 data: URL 则将数据嵌入标识符本身。因此,“协议后接网站地址”这一定义只适用于一部分 URL,是一种简化的说法。
不同标准制定团体使用的术语也有所不同。WHATWG URL 标准广义地使用“URL”一词,指代其解析和序列化算法处理的标识符,而不是依据严格的 URI 与 URL 之分来规定浏览器行为。因此,软件文档即使在讨论通用的标识符操作时,也常常将地址称为 URL。要理解某个具体系统,就需要确定它遵循的规范:遵循 RFC 的 URI 解析器与兼容浏览器行为的 URL 解析器,在处理格式错误的输入、反斜杠、空白字符以及解释主机部分时,可能得出不同的结果。
URL 也不同于通过它获取的资源表示。一个地址可能返回 HTML 页面、图像、结构化数据、重定向或错误响应。标识符始终是命名系统中的一个引用,而响应则是在特定时间与该引用进行某次交互的结果。
组成部分与语法
RFC 3986 描述了一种通用结构,可表示为 scheme:[//authority]path[?query][#fragment],其中方括号表示可选部分,而非实际字符。方案名以字母开头,后续可包含字母、数字、加号、连字符和句点。方案名不区分大小写。授权部分(authority)若存在,则以两个斜杠开头,可包含用户信息、主机和端口。并非所有方案都使用授权部分;哪些组成部分的组合有意义,由各方案自身的规则决定。
以 https://reader@example.org:8443/manual/chapter.html?lang=en#examples 为例。其中,https 是方案名;reader 是用户信息;example.org 是主机;8443 是端口;/manual/chapter.html 是路径;lang=en 是查询部分;examples 是片段。用户信息是一项遗留机制,存在显著的安全隐患,现行 HTTP 规范已不推荐在 HTTP 和 HTTPS 标识符中使用它。将密码与用户名一起嵌入地址尤其危险,因为地址经常会被显示、记录到日志或复制。
主机可以是注册名称,也可以是地址字面量。注册名称通常通过域名系统解析,而 IP 地址可以更直接地标识网络端点。网际协议第六版地址字面量必须用方括号括起,以区分地址内部的冒号与引出端口的冒号,例如:https://[2001:db8::1]:8443/。端口用于标识主机网络环境中的服务端点。HTTPS 通常使用端口 443,HTTP 通常使用端口 80;省略端口通常意味着采用该方案的默认端口,而非没有端口。
路径由 / 分隔的若干段组成,但这种形式并不意味着服务器上存在对应的目录树。服务器可以将 /products/42 路由到应用程序代码,也可以从数据库中检索相应内容。末尾的斜杠也可能影响含义:除非相关系统将两者视为等同,或在两者之间进行重定向,否则 /catalog 和 /catalog/ 就是不同的路径。不能一概认为路径的不同写法(包括大小写差异)可以互换。
查询部分从第一个适用的 ? 开始,到片段分隔符之前或标识符末尾结束。虽然 name=value&sort=date 这样的形式很常见,但通用 URI 语法并不要求采用键值对模型。片段以 # 开头,用于标识次级资源或视图。在语法上,没有查询部分与明确存在但内容为空的查询部分有所不同,正如没有片段与以 # 结尾有所不同;应用程序可能会保留这些区别,或赋予它们不同的含义。
相对引用与基准 URL 解析
Web 文档中使用的许多引用并不是完整的绝对 URL。相对引用省略了一些可由基准 URL 补充的信息。这种机制允许将一组文档迁移到其他主机或目录,而不必重写其中的每一个内部链接。例如,位于 https://example.org/manual/chapter/page.html 的文档可以链接到 diagram.svg,后者会被解析为 https://example.org/manual/chapter/diagram.svg。这一操作是按结构进行的解析,而不是简单地拼接两个字符串。
RFC 3986 规定了一套引用解析算法:选择或继承各个组成部分,在必要时合并路径,并移除点路径段。以上述 URL 为基准,../index.html 会被解析为 https://example.org/manual/index.html,而 /images/logo.svg 则从该授权机构的根路径开始解析。以 //cdn.example.org/library.js 开头的引用提供了新的授权机构部分,但会继承基准 URL 的方案。这类网络路径引用过去常用于在 HTTP 和 HTTPS 页面之间共用标记内容,不过,明确使用 HTTPS 地址可以避免对所在上下文的这种依赖。
基准路径末尾是否有斜杠,会改变解析结果。以 https://example.org/manual/chapter 为基准时,diagram.svg 会被解析为 /manual/diagram.svg;以 https://example.org/manual/chapter/ 为基准时,则会被解析为 /manual/chapter/diagram.svg。在第一种情况下,合并路径时会替换最后一个路径段。该算法不会查询服务器来确定 chapter 指的是文件还是目录。它的行为取决于基准地址的语法,因此,添加末尾斜杠的重定向可能影响后续链接的解析。
引用可以只替换特定的组成部分。?lang=fr 会保留基准路径,但提供新的查询部分;#examples 则会保留相应的文档地址,并选定一个片段。空引用通常会保留基准路径和查询部分,但不会继承其片段。在层次化路径解析过程中,. 和 .. 这样的点路径段会被解释为特殊含义,但任意包含句点的子字符串不会。查询文本也不会被当作文件系统路径来处理。
在 超文本标记语言中,基准通常取自文档的 URL,但也可以通过 base 元素为相对链接设定不同的基准。其他格式和嵌入上下文各有自己的基准规则。网页浏览器还会区分两种操作:解析引用,以及判断用户在地址栏输入文本时的意图。后者可能涉及搜索启发式规则、方案补全,或其他不属于通用解析算法的界面行为。在文档发布、自动链接检查,以及先验证目标再访问目标的系统中,这些区别都很重要。
字符编码与国际化
URL 必须能够表示不同文字系统中的文本,同时保留分隔符,并与历史上基于有限字符集构建的协议互操作。RFC 3986 的 URI 语法使用 ASCII 字符,将具有结构作用的保留字符与无需转义即可出现的非保留字符区分开来。非保留字符包括字母、数字、连字符、句点、下划线和波浪号。保留字符包括 /、? 和 # 等分隔符,以及含义取决于所在组成部分或所用方案的字符。
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。空格通常表示为 %20,字面上的百分号则表示为 %25。编码处理的是字节,而不是直接处理抽象字符。文本采用 UTF-8编码时,一个非 ASCII 字符可能产生多个经过编码的八位字节:例如,é 可以表示为 %C3%A9。十六进制字母不区分大小写,因此 %2f 和 %2F 编码的是同一个八位字节。
编码并不意味着每一种替换都不会影响语义。字面上的斜杠可以分隔路径段,而 %2F 可以表示路径段内的数据;中间系统或服务器是否保留这一区别,取决于具体实现。同样,字面上的 # 标志着片段的开始,而 %23 可以作为数据出现在路径或查询中。因此,在解析整个 URL 之前先对其解码,可能会将数据变成结构。重复解码还会带来另一种歧义:%252F 经过一次解码后变成 %2F,经过第二次解码后则变成 /。
表单提交引入了一种相关但不同的约定。在 application/x-www-form-urlencoded 数据中,加号通常表示空格,而字面上的加号则编码为 %2B。这一规则并不是 URL 查询的通用属性。通用解析器可能会原样保留 +,而面向表单的查询解析器则会将其转换为空格。在处理签名、搜索词或本身就包含加号的值时,必须区分 URL 组成部分的编码与表单序列化。
国际化资源标识符(IRI)于 2005 年在 RFC 3987 中标准化,将标识符模型扩展到更广泛的 Unicode统一码字符范围。域名还需要经过国际化域名处理。以 xn-- 开头、兼容 ASCII 的域名标签,可以通过 Punycode 对非 ASCII 标签进行编码,不过域名处理除了这一编码算法,还包含有效性规则和映射规则。浏览器可能根据安全性和易用性策略,显示域名的 Unicode 写法或其 ASCII 形式。由于存在外观相似的字符、组合序列以及不同文字系统混用等情况,必须仔细区分所显示的地址与其底层序列化形式。
资源获取与浏览器解释
处理 URL 涉及一系列操作,而非一次网络动作。浏览器首先解析输入,确定其方案。对于典型的 HTTPS 页面访问,浏览器可能会查询缓存、通过 DNS 解析主机名、建立或复用连接、协商传输层安全协议,并交换超文本传输协议消息。HTTP/3 则可以使用 QUIC 协议作为底层传输协议。由于连接可以复用,内容可以缓存,因此并非每次页面访问都需要重新进行 DNS 查询或建立新连接。
在常见的直接 HTTP 请求中,请求目标包含路径和查询部分,而主机信息则通过 HTTP 的授权机构(authority)机制单独传递。片段部分不包含在 HTTP 请求目标中。对于 https://example.org/manual?lang=en#examples,服务器通常会收到选择某种表示所需的路径和查询部分,而浏览器则在获取该表示后处理 examples。HTML 片段可以按标识符选中元素;其他表示格式则可以定义不同的片段语义。
服务器的响应不一定会成功返回资源的表示。它可能表明资源不存在、要求进行身份认证,或将客户端重定向到其他位置。HTTP 重定向通常使用 Location 字段,并配合 301、302、303、307 或 308 等状态码。这些状态码在重定向是否永久有效,以及是否保留原请求方法等方面有所不同。跟随重定向会改变实际目标地址,进而影响后续的相对引用解析、浏览器安全检查,以及用户看到的地址。
仅凭 URL 无法唯一确定响应的字节内容。请求头可以用于协商语言或媒体类型;HTTP Cookie 和凭据可以决定返回哪些个性化结果;服务器状态可能发生变化;响应也可能因时间或其他请求属性而异。HTTP 缓存通过缓存控制规则以及 Vary 等字段来处理其中一些变化。因此,同一地址可以标识一个在概念上稳定的资源,同时返回多种表示。反过来,不同地址即使返回完全相同的字节内容,也不因此成为等价的标识符。
其他方案的处理流程可能截然不同。file: URL 指向文件系统中的上下文,其解释方式部分取决于平台和适用的访问限制。data: URL 直接嵌入媒体类型和载荷,无须从远程获取。blob: URL 指向浏览器环境内管理的对象,而不是可普遍访问的服务器位置。自定义方案可以调用已注册的应用程序。这些方案虽然都采用 URL 形式的语法,但这并不意味着它们具有相同的网络行为、持久性、权限或安全边界。
解析、规范化与等价性
URL 解析将输入字符串转换为结构化组件;序列化则将该结构转换回字符串。规范化通过一系列转换,使表示形式更加一致。这些操作彼此相关,但不能相互替代。解析器可能会保留某种区别,而规范化程序则会消除这种区别;浏览器序列化后的结果也可能与用户最初的输入不同。因此,所谓相等,可能指文本完全相同、解析后的组件完全相同、依据某种方案的规则等价,或在特定应用中被认定为指向同一资源。
有些转换有充分且公认的依据。方案名称和 DNS 主机名不区分大小写,因此将它们转换为小写不会改变其相关含义。百分号编码的八位组中的十六进制字母可以统一大小写。按照通用 URI 规范化规则,以百分号编码表示的非保留字符通常可以替换为对应的字面字符。HTTP 和 HTTPS 的规范化还可以移除显式指定且与该方案默认端口相同的端口号;在适用的比较中,这两种方案的空路径被视为与 / 等价。
另一些看似方便的转换却可能改变含义。将路径转换为小写可能改变服务器的路由结果。如果应用赋予查询字段的顺序或重复键特定含义,重新排列查询字段就可能影响应用的行为。移除末尾斜杠可能同时改变资源选择和相对引用的解析结果。将 %2F 转换为 / 可能改变路径段的边界。即使两个 URL 当前返回相同的表示,这一观察结果也不能证明它们长期等价:彼此独立的资源可能暂时具有相同内容,重定向也可能发生变化。
与浏览器兼容的解析规则尤为细致,因为它必须以一致的方式处理历史遗留的 Web 内容和常见输入错误。WHATWG URL 标准规定了方案、主机、路径和序列化的相关算法,也规定了对某些不符合严格 RFC 语法的输入的处理方式。它将 HTTP、HTTPS、FTP、file、WS 和 WSS 归为“特殊”方案;这一分类决定了解析行为,并不意味着每个浏览器都支持通过其中列出的所有方案获取资源。例如,在特殊 URL 的某些相关解析状态下,反斜杠可以被视为分隔符,而非仅仅被当作普通路径字符。
解析器之间的差异既是互操作性问题,也是安全隐患。过滤服务检查的可能是一个主机,而下游客户端采用不同的解析规则,实际连接的却是另一个主机。签名验证程序对查询部分的规范化方式,可能与实际使用该查询部分的组件不同。因此,共用同时检验解析和序列化行为的测试用例,对浏览器实现和库都有益处。网络平台测试套件包含大量 URL 测试,支持对不同实现进行比较,而不必假定非正式的字符串处理方式能够复现标准规定的算法。
安全边界与攻击面
URL 会参与安全决策,因为它们描述访问目标、界定浏览器的源,并且经常承载应用数据。根据同源策略,典型 HTTP 或 HTTPS URL 的源由其方案、主机和有效端口共同确定。其中任何一项发生变化,都可能形成不同的源,即使页面看起来十分相似。路径并不构成独立的源:同一源下位于不同路径的两个应用,通常共享重要的浏览器安全边界。
以误导方式呈现 URL 是网络钓鱼的核心手段之一。例如,地址 https://trusted.example@attacker.example/ 的主机是 attacker.example;前面的文字占据的是用户信息部分的位置。同样,攻击者也可以利用很长的子域名,将人们熟悉的名称放在一个毫不相关的可注册域名之前。国际化域名标签还可能引入外观容易混淆的字符。HTTPS 可以保护与已通过身份验证的主机之间的通信,抵御特定的网络攻击,但并不能证明该主机的运营者值得信任,也不能保证页面上的说法属实。
当攻击者能够影响服务器要访问的 URL,进而使服务器访问非预期的服务时,就会发生服务器端请求伪造。存在漏洞的应用可能因此访问环回接口、内部网络服务或基础设施元数据端点。仅检查初始主机名并不足以防范这类风险:重定向、变化的 DNS 应答、不同的地址表示形式,以及验证逻辑与连接逻辑之间的差异,都可能改变实际访问的目标。开放重定向也会带来相关问题:一个看似可信的地址被用作中转,将访问引向攻击者控制的位置。
路径处理还会引入另一类歧义。反向代理、应用框架和底层文件系统对点路径段、编码后的分隔符、反斜杠或重复解码的处理可能并不一致。某种表示形式下被拒绝的输入,经过后续转换后可能变得可被识别和处理。因此,不能想当然地认为 URL 路径就是安全的本地文件名。这里需要考察的安全边界涵盖整个处理链,包括 URL 解析、路由、解码、文件系统映射和授权检查。
URL 还可能泄露机密信息。查询字符串和路径可能被保存在浏览器历史记录、访问日志、分析系统以及复制的消息中。根据具体策略和使用场景,来源信息可能会将部分地址信息传递给其他目标。片段不会包含在普通 HTTP 请求中,但文档中运行的脚本可以读取它们,因此片段并不是天然保密的存储位置。有时效限制的签名 URL 会有意将授权信息放入地址中;其安全性取决于有效期、授权范围、签名验证,以及对地址披露范围的限制等控制措施。
应用设计、持久性与发现
Web 应用既将 URL 用作导航地址,也将其用作结构化资源的接口。/orders/482 这样的路由可以标识一笔订单,而查询字段则用于选择视图、页码或筛选条件。在应用程序编程接口中,HTTP 方法和请求体赋予请求的含义超出了 URL 本身:使用 GET 读取资源,并不等同于使用 POST 提交改变状态的请求。表述性状态转移强调,应将资源的标识与客户端同资源交互时交换的表述区分开来。
客户端应用又带来了进一步的区别。单页应用可以通过历史记录 API 更新浏览器中显示的地址,而不执行完整的文档导航。较早的路由设计往往将应用状态存储在 # 之后,使其不包含在 HTTP 请求目标中。不过,直接访问基于路径的客户端路由时,请求仍会先到达服务器,因此托管配置必须支持在该路径下返回应用。如果一个地址只有从首页逐步导航过去才能正常使用,它就不是完全可靠的直接入口。
URL 设计会影响索引和缓存。由于排序选项、跟踪字段、会话标识符或替代路径的存在,搜索引擎可能会遇到许多内容实质上相似的地址。发布者可以通过规范链接机制指明首选地址,并利用重定向将多个入口归并到一起。这些信号不会改变通用的 URL 语法,也不能证明每个查询参数都可以省略。缓存系统同样需要明确的缓存键生成策略:将无关差异纳入缓存键会降低复用率,而忽略有意义的差异则可能导致返回错误的表述。
持久性主要取决于组织的长期承诺以及持续维护的映射关系。如果路由能够保留旧地址,更换内容管理系统并不一定需要更改公开的 URL。反之,将短期的实现细节、会过期的会话状态或个人账户结构嵌入 URL,可能使引用变得脆弱。链接腐烂指的是目标消失或变得无法访问,导致引用失效的现象;内容漂移则描述了一个相关问题:地址仍然有响应,但不再提供最初引用的材料。
数字对象标识符(DOI)体现了持久标识符与当前位置之间的分离。DOI 可以通过 HTTPS 解析服务的 URL 来表示,例如以 https://doi.org/ 开头的地址,而其注册元数据则将该标识符关联到一个持续维护的目标地址。持久性仍然需要参与组织的持续管理。网页存档提供了另一种方式,即保存带有日期的网页快照,但这些快照未必能够重现交互行为、受限内容或所有外部依赖。URL 仍然是至关重要的引用依据,但要维持其作为证据的价值和实际用途,仅仅保留其字符形式还远远不够。
历史发展与标准化
URL 起源于欧洲核子研究中心(CERN)自 1989 年起由蒂姆·伯纳斯-李领导的早期万维网项目。万维网将超文本文档、全球通用的寻址方式和检索协议结合起来。其寻址框架不仅需要指向新建的 Web 服务器,还必须能够引用已有的互联网信息系统。这一需求促成了基于方案的设计,使其既能兼容不同的访问方式,又能为内容作者和用户提供统一的引用格式。
1994 年 6 月发布的 RFC 1630 描述了万维网语境下的通用资源标识符。1994 年 12 月,伯纳斯-李、拉里·马辛特和马克·麦卡希尔发布了 RFC 1738,规定了统一资源定位符,并记录了当时若干服务所用的方案。随后,1995 年发布的 RFC 1808 规定了相对 URL 的规则。这些文档反映了当时的网络信息检索环境:FTP、Gopher 等服务与 HTTP 并存,而非像后来那样,几乎完全由基于浏览器的 HTTP 和 HTTPS 访问主导。
此后,相关术语和通用语法逐步得到整合。1998 年发布的 RFC 2396 描述了统一资源标识符,并取代了此前关于通用语法和相对引用的规范。2005 年 1 月,伯纳斯-李、罗伊·菲尔丁和马辛特发布了 RFC 3986,成为 URI 通用语法的主要参考规范。同月发布的 RFC 3987 则规定了国际化标识符。这些规范将通用的解析与引用解析规则,同各个方案必须定义的具体语义区分开来。
不过,要规范浏览器行为,仅有抽象语法还不够。已有内容中包含格式错误的地址、特定平台的惯例以及旧式编码;浏览器若一概拒绝处理,就会付出兼容性方面的代价。WHATWG URL 标准为此制定了详细且持续维护的解析模型,旨在使不同实现对此类内容的处理行为保持一致。该标准还规定了编程接口,包括在 JavaScript 中广泛使用的 URL 和 URLSearchParams 接口。这些接口提供结构化操作,同时保留了通用 URL 处理与表单式查询字符串序列化之间的区别。
标准制定和维护的职责仍由不同机构分担。互联网工程任务组制定许多相关的互联网协议和标识符规范,互联网号码分配局则维护 URI 方案注册表。浏览器标准、HTML 处理规则、HTTP 规范和国际化域名标准分别涵盖了这一体系中相互补充的部分。注册一个方案,意味着为其提供有文档记录的名称及相应定义;这并不会自动带来浏览器支持、部署机制,也不意味着所有应用程序都能安全地处理它。因此,实现时既需要选择适当的通用解析模型,也需要采用适用于所处理资源的方案专属规则。