O RFC 3986 não especifica qual codificação deve ser usada para caracteres non-ASCII.
A codificação de URL envolve um par de hexadecimais, o que equivale a 8 bits.
Seria possível representar os caracteres non-ASCII todos dentro desse contexto. No entanto, o que tornou inviável é que muitos idiomas possui seu próprio padrão para representar os seus respectivos caracteres em 8-bit. Além do mais, em idiomas como o chinês, muitos caracteres não cabem em 8-bits.
Por isso adotada a especificação RFC 3629, a qual propôs padronizar os caracteres non-ASCII com a codificação UTF-8.
É importante entender que dentro do grupo non-ASCII existem os caracteres reservados e não reservados.
Na tabela dos caracteres não reservados, temos
A B C D E F G H I J K L M N O P Q R S T U V W X Y Z
a b c d e f g h i j k l m n o p q r s t u v w x y z
0 1 2 3 4 5 6 7 8 9 - _ .~
Esses são os reservados:
! * ' ( ) ; : @ & = + $ , / ? % # [ ]
Note que ~
não é reservado, no entanto, ele pode ser codificado. Porém, a recomendação é que não o codifique.
O que acontece no exemplo que postou do cedilha ç?
Obviamente, como o ç
não é ASCII, é tratado como UTF8 conforme a recomendação RFC 3629
, acima mencionado.
Isso em si já explica o motivo de estar codificado em UTF-8, representando 2 pares hexadecimais.
O "ç" é codificado em UTF-8 com 2 bytes C3
(hex) e A7
(hex), sendo representados nesse formato "%c3" e "%a7" respectivamente. O escopo %HH%HH. O par A7
é o que identifica como UTF-8.
Os browsers apenas imprimem a forma decodificada. E muitos protocolos transmitem UTF-8 sem precisar formatar para o escopo %HH, seja de 1 ou 2 pares.
*byte != bit
*url encoded != html entities
Por curiosidade, os browsers suportam na URL os caracteres multibyte há alguns anos.