L'URL
Partie 2 sur 4
3Les schémas : plus que le Web
Les protocoles utilisables dans une URL étaient classiquement : http pour la consultation de pages Web, ftp pour les sites de transfert de fichiers, telnet pour la connexion à un terminal distant, mailto pour l’envoi d’un courrier électronique, ainsi que wais et gopher, sans oublier news (les forums Usenet). Cette liste reflète le monde d’autrefois ; voici l’état actuel.
| Schéma | Usage | Port par défaut | Situation aujourd’hui |
|---|---|---|---|
https | Pages web chiffrées | 443 | Le schéma de référence du Web |
http | Pages web non chiffrées | 80 | Déconseillé ; les navigateurs avertissent |
ftp | Transfert de fichiers | 21 | Retiré des navigateurs ; remplacé par SFTP |
mailto | Écrire un courriel | — | Toujours utilisé : ouvre le logiciel de messagerie |
tel | Appeler un numéro | — | Courant sur téléphone |
file | Fichier de l’ordinateur local | — | Utile en local, sans serveur |
data | Données incluses dans l’URL | — | Petites images, tests ; vecteur d’abus |
ssh, sftp | Accès distant, transfert protégé | 22 | Remplacent telnet et ftp |
telnet | Terminal distant non protégé | 23 | Abandonné pour des raisons de sécurité |
gopher, wais, news | Anciens services | — | Disparus ou presque |
ws, wss | Échanges en continu (WebSocket) | 80, 443 | Applications web interactives |
| schémas d’applications | Ouvrir une application (visioconférence, carte…) | — | Courants sur mobile |
Quelques remarques pour comprendre ce tableau.
3.1Les schémas qui ont disparu
Gopher était, au début des années 1990, un concurrent du Web, fondé sur des menus ; WAIS (Wide Area Information Servers) permettait d’interroger des bases documentaires. Les deux ont été supplantés par le Web et ne sont plus pris en charge par les navigateurs. Telnet, qui ouvrait un terminal distant, envoie tout en clair, mots de passe compris : il a été remplacé par SSH (voir TLS pour le chiffrement analogue sur le Web). FTP, de même, transmet les identifiants sans protection ; les navigateurs ont retiré son support, et l’on utilise SFTP ou HTTPS.
3.2Les schémas qui ont leur propre syntaxe
Certains schémas n’ont pas de serveur du tout. mailto:alice@example.org?subject=Bonjour ouvre le logiciel de messagerie avec un message pré-rempli : l’adresse du destinataire, puis une requête qui fixe l’objet. tel:+33123456789 demande au téléphone de composer le numéro. Un file:///home/alice/notes.txt désigne un fichier de votre propre ordinateur : le serveur est vide (d’où les trois barres). Le schéma data: inclut le contenu directement dans l’adresse : data:text/plain,Bonjour ; il sert à de petites ressources, mais aussi aux attaquants, qui l’ont utilisé pour fabriquer des pages truquées (voir le hameçonnage), d’où des restrictions dans les navigateurs.
3.3Les schémas d’applications
Sur un téléphone, une adresse peut ouvrir une application plutôt qu’une page : un lien de visioconférence, un lien vers une carte ou vers un magasin d’applications. Selon le système, on parle de schémas personnalisés ou de « liens universels ». Le principe est le même : un début d’adresse qui désigne un « traducteur », et la suite qui donne l’objet. Ce mécanisme est pratique, mais il permet aussi à un site malveillant de tenter de lancer une application sans que vous l’ayez demandé : les systèmes demandent donc une confirmation (voir les systèmes mobiles).
4Le codage des caractères : le signe %
Le problème est le suivant : l’URL est un moyen d’envoyer des informations à travers Internet, mais les URL ne peuvent pas contenir de caractères spéciaux. De plus, certains caractères sont réservés, car ils ont une signification dans la grammaire : le / sépare les dossiers, le ? annonce la requête, le & sépare les paramètres, le # annonce l’ancre. Enfin, comme une URL peut être placée dans un document HTML, des caractères comme < et > posent difficulté. Il faut donc un codage.
4.1Le principe
Le codage consiste à remplacer le caractère spécial par le caractère % (lui-même devenu un caractère spécial) suivi du code ASCII du caractère à coder, en notation hexadécimale (voir l’hexadécimal). Une espace, de code 20 en hexadécimal (32 en décimal), devient %20. Un signe &, de code 26, devient %26. La figure 2 en donne cinq exemples.
Le décodage est symétrique : en lisant une URL, le serveur remplace chaque %XY par le caractère (ou l’octet) de code XY. Une phrase comme « un café, s’il vous plaît » devient, dans une requête, un%20caf%C3%A9%2C%20s%27il%20vous%20pla%C3%AEt, ce qui paraît illisible mais se décode mécaniquement. Dans les formulaires, l’espace est souvent écrite aussi par un +, héritage d’une ancienne convention.
4.2Le tableau et ses limites
On dresse la liste des caractères à coder, avec leur code : la tabulation (%09), l’espace (%20), les guillemets (%22), le dièse (%23), le pourcentage (%25), l’esperluette (%26), les parenthèses (%28 et %29), le plus (%2B), la virgule (%2C), le point (%2E), la barre oblique (%2F), les deux-points (%3A), le point-virgule (%3B), les signes inférieur, égal et supérieur (%3C, %3D, %3E), le point d’interrogation (%3F), l’arobase (%40), les crochets (%5B, %5D), l’antislash (%5C), l’accent circonflexe (%5E), l’apostrophe inversée (%60), les accolades (%7B, %7D), la barre verticale (%7C) et le tilde (%7E). Cette liste est utile comme référence, mais elle appelle des corrections.
- Ce n’est pas la même règle partout. Un caractère doit être codé seulement s’il est réservé à cet endroit de l’URL. Ainsi, le point (%2E), la virgule (%2C) ou les parenthèses peuvent apparaître tels quels dans un chemin sans aucun problème : la liste ci-dessus en comporte trop. Au contraire, le
/n’a besoin d’être codé (%2F) que s’il fait partie d’une donnée et non d’un séparateur. - Le tilde (~) est, dans la norme actuelle, un caractère « sûr » qui n’a pas besoin d’être codé.
- L’apostrophe (') est généralement codée en %27 ; l’accent grave « ` » est bien %60.
- Les caractères accentués et ceux de toutes les écritures du monde (voir plus bas) ne figuraient pas au tableau : l’ASCII n’en contient pas.
4.3Les lettres accentuées et UTF-8
L’ASCII ne comprend que 128 caractères, sans « é », sans « ç », sans les écritures grecque, arabe ou chinoise. Pour écrire ces caractères dans une URL, on emploie aujourd’hui l’UTF-8, le codage d’Unicode (voir les caractères et leur codage) : chaque caractère est traduit en un à quatre octets, et chaque octet est codé avec un pourcentage. Le « é » (code Unicode U+00E9) tient sur deux octets, C3 A9, d’où %C3%A9. Le symbole euro « € » est écrit sur trois octets : %E2%82%AC. Un émoji en prend quatre. Les navigateurs affichent généralement la version lisible (« café ») dans la barre d’adresse, mais envoient la version codée sur le réseau.
Une conséquence : une même page peut avoir plusieurs écritures de son adresse, et ce détail sert parfois à tromper (partie 8). Un cas particulier concerne les noms de domaine internationaux : un nom comme « café.example » ne peut pas utiliser le pourcentage dans la partie serveur ; il est transformé par une autre méthode, le punycode, en xn--caf-dma.example (voir les noms de domaine).
4.4Un mot d’ordre : encoder les données, pas la structure
Les développeurs commettent souvent l’erreur de coder une URL entière, y compris ses séparateurs : https%3A%2F%2Fwww.example.org ne fonctionne plus. La règle : on code les valeurs (le contenu d’un paramètre, un nom de dossier contenant une espace), et on laisse intactes les marques de structure (:, /, ?, &, =, #). Tous les langages de programmation offrent des fonctions pour cela : il ne faut pas les écrire à la main. Le même principe de séparation entre données et structure est au cœur des attaques par injection (voir les attaques contre les applications web).