Quando estamos trabalhando com URLs e/ou APIs REST, precisamos com frequência converter uma string para um formato válido de URL, conhecido como URL encoded. Se estivermos trabalhando com o curl é tranquilo, já temos a nossa disposição a opção --data-urlencode. Mas quando não vamos usar o curl, podemos implementar nossa própria solução usando bash puro.

urlencode()

Eis o código:

#!/usr/bin/env bash
#
# urlencode - codificando sua string para usar em URLs

urlencode() {
    local LC_ALL=C
    local string="$*"
    local length="${#string}"
    local char

    for (( i = 0; i < length; i++ )); do
        char="${string:i:1}"
        if [[ "$char" == [a-zA-Z0-9.~_-] ]]; then
            printf "$char" 
        else
            printf '%%%02X' "'$char" 
        fi
    done
    printf '\n' # opcional
}

urlencode "$@"

Exemplo de uso

Vejamos o código em ação:

$ ./urlencode isso é só a minha codificação
isso%20%C3%A9%20s%C3%B3%20a%20minha%20codifica%C3%A7%C3%A3o
$ ./urlencode https://meleu.sh/
https%3A%2F%2Fmeleu.sh%2F

Explicando o código

Vamos a uma explicação detalhada do que está acontecendo em cada trecho da função:

    local LC_ALL=C

A variável de ambiente LC_ALL serve para forçar um comportamento "portável" para todas as configurações de localização existentes. Usamos o modificador local para que a alteração do LC_ALL seja feita apenas no escopo da função, não alterando seu comportamento globalmente. Ou seja, ao final da função, o LC_ALL de quem chamou a função urlencode não terá sido alterado.

Agora deixa eu tentar explicar pra que serve o LC_ALL.

Se você for no seu terminal e digitar o comando locale, você verá uma lista de variáveis começando com LC_. Elas definem alguns comportamentos do sistema no que se refere as especificidades de cada localização.

Este recurso têm por objetivo tornar o sistema mais familiar e amigável à linguagem do usuário. E quando usamos LC_ALL=C é como se estivéssemos dizendo para o shell que queremos usar configurações de Unix "original".

Por exemplo, aqui no Brasil nós temos letras acentuadas, nosso separador de decimal é , vírgula, nossa moeda é representada por R$, etc. Todas essas configurações são definidas nas variávels LC_*, e a variável LC_ALL serve para impor seu valor sobre todas as outras variáveis LC_* (ex.: se você tem LC_NUMERIC="pt_BR.UTF-8" e LC_ALL="C", seu sistema vai se comportar como se LC_NUMERIC="C").

Um dos motivos de definirmos LC_ALL=C aqui, é para que as nossas letras acentuadas não "casem" com o padrão [a-zA-Z]. O exemplo a seguir mostra isso bem claramente:

$ LC_ALL='pt_BR.UTF-8'
$ [[ é = [a-z] ]] && echo sim || echo nao
sim
$ # com 'pt_BR.UTF-8', o caracter 'é' está dentro do intervalo [a-z]
$ LC_ALL='C'
$ [[ é = [a-z] ]] && echo sim || echo nao
nao
$ # com 'C', o mesmo caractere nao esta no intervalo [a-z]
$ # (e eu tambem nao consigo escrever letras acentuadas normalmente)

Espero ter ficado claro. Agora vamos prosseguir com o código:

    local string="$*"
    local length="${#string}"
    local char

Primeiro pegamos todos os argumentos e colocamos na variável string. Em seguida armazenamos em length o número de caracteres presentes em string.

A variável char será usada para analisarmos cada caracter de string no loop que vem a seguir

    for (( i = 0; i < length; i++ )); do
        char="${string:i:1}"
        if [[ "$char" == [a-zA-Z0-9.~_-] ]]; then
            printf "$char" 
        else
            printf '%%%02X' "'$char" 
        fi
    done

Um loop for estilo C foi utilizado para facilitar a manipulação do índice i.

O que acontece em char="${string:i:1}" é atribuir à char apenas o caractere presente na posição i da string. Aquela sintaxe significa algo assim: ${string:posicaoInicial:numeroDeCaracteres}. Portanto, a cada iteração do loop estamos testando apenas um caractere da string.

No if checamos se o caracter é válido para URLs. Lembra daquele LC_ALL=C que usamos lá no começo da função? Ele serve para nos ajudar aqui.

A lista de caracteres válidos para URL são dígitos de 0 a 9, letras maiúsculas e minúsculas de A a Z, traço -, ponto ., sublinhado _ e til ~. Escrevendo esse padrão para bash temos [a-zA-Z0-9.~_-]

Se o caracter for válido, simplesmente imprime. Mas se for inválido (o else), executaremos um printf um pouco obscuro, e que precisa de uma explicação mais detalhada:

            printf '%%%02X' "'$char"

A sequência %%%02X significa:

  • %%: um % sinal de percentual literal
  • %02X: formato hexadecimal, usando letras maiúsculas para A-F, com dois dígitos e precedido de 0 zero se necessário.

O argumento "'$char" tem uma pequena sutileza: aquela ' aspa simples única no começo (observe que não tem o "fechamento" dela no final). Essa aspa simples significa que você quer passar o valor ASCII numérico do caractere que vem a seguir.

Veja esse exemplo pra ficar mais claro:

$ printf "%d\n" "a"
-bash: printf: a: número inválido
0
$ # lembrando: 'a' em decimal na tabela ASCII, é 97
$ printf "%d\n" "'a"
97

Pois é amigos... Esse macetinho obscuro está "escondido" lá manpage do bash, na parte que explica sobre o printf. Ali no penúltimo parágrafo, como quem não quer nada, tem uma frasezinha dizendo (tradução livre):

(...) se o primeiro caractere é uma aspa simples ou dupla, o valor será o valor ASCII do caractere a seguir.

Agora, lembra daquele LC_ALL=C lá do início da função? Também precisamos dele aqui para que esse printf gere a saída que precisamos. Veja só a diferença:

$ $ LC_ALL='pt_BR.UTF-8'
$ printf '%d\n' "'á"
225
$ LC_ALL=C
$ printf '%d\n' "'á"
195

E assim acabamos o loop.

Por fim temos um opcional

    printf '\n' # opcional

Apenas para colocar uma nova linha no final da string.

urldecode()

Para decodificar é um pouco mais simples:

#!/usr/bin/env bash
#
# urldecode - decodificando de urlencoded para texto legível

urldecode() {
    local encoded="${*//+/ }"
    printf '%b\n' "${encoded//%/\\x}"
    # o '\n' acima é opcional
}

urldecode "$@"

Exemplo de uso

$ ./urldecode 'https%3A%2F%2Fmeleu.sh%2F'
https://meleu.sh/

Explicando o código

A primeira linha coloca em encoded todos os argumentos passados para a função, substituindo + por espaço em branco.

Na linha do printf, especificamente no trecho ${encoded//%/\\x} pegamos o encoded e substituímos todos os sinais de % porcentagem por \x.

Demonstração:

$ encoded='%3A'
$ echo "${encoded//%/\\x}"
\x3A

Uma vez que substituímos todos os % por \x, o printf %b finaliza o serviço, pois o formato %b serve exatamente para lidar com essas sequencias de escape com contrabarra.

Demonstração:

$ printf '%b\n' '\x3A'
:

Portanto, o resultado do printif já será o conteúdo de encoded com os códigos hexadecimais já devidamente "traduzidos" para o caractere legível correspondente.

Ufa! Por hoje é "só"...

Fontes