我正在搜索库函数以标准化Python中的URL,即删除路径中的“ ./”或“ ../”部分,或添加默认端口或转义特殊字符,等等。结果应为对于指向同一网页的两个URL唯一的字符串。例如,http://google.com
和http://google.com:80/a/../
将返回相同的结果。
我更喜欢Python 3,并且已经通过urllib
模块进行了研究。它提供了拆分URL的功能,但没有任何规范化它们的功能。 Java具有执行类似功能的URI.normalize()
函数(尽管它不认为默认端口80等于没有给定的端口),但是是否有类似python的东西?
怎么样:
In [1]: from urllib.parse import urljoin
In [2]: urljoin('http://example.com/a/b/c/../', '.')
Out[2]: 'http://example.com/a/b/'
受到this question答案的启发。它没有规范化端口,但是它应该很简单地产生一个函数。
这是我使用的方法,到目前为止已经有效。您可以从pip获取urlnorm。
注意,我对查询参数进行了排序。我发现这是必不可少的。
from urlparse import urlsplit, urlunsplit, parse_qsl
from urllib import urlencode
import urlnorm
def canonizeurl(url):
split = urlsplit(urlnorm.norm(url))
path = split[2].split(' ')[0]
while path.startswith('/..'):
path = path[3:]
while path.endswith('%20'):
path = path[:-3]
qs = urlencode(sorted(parse_qsl(split.query)))
return urlunsplit((split.scheme, split.netloc, path, qs, ''))
urltools模块规范化多个斜杠,.
和..
组件,而不会弄乱http://
中的双斜杠。
一旦执行pip install urltools
,用法如下:
print urltools.normalize('http://domain.com:80/a////b/../c')
>>> 'http://domain.com/a/c'
[C0之后,我组成了一种方法,它适合于网络上常见的大多数情况。
good start
现在有一个专门解决此确切问题的库def urlnorm(base, link=''):
'''Normalizes an URL or a link relative to a base url. URLs that point to the same resource will return the same string.'''
new = urlparse(urljoin(base, url).lower())
return urlunsplit((
new.scheme,
(new.port == None) and (new.hostname + ":80") or new.netloc,
new.path,
new.query,
''))
它不仅仅是按照文档规范化路径:
URI归一化功能:
- 请注意IDN域。
- 始终以小写字符提供URI方案。
- 总是以小写字符提供主机名。
- 仅在必不可少的地方执行百分比编码。
- 百分比编码时始终使用大写A-F字符。
- 防止出现在非相对URI路径中的点段。
- 对于定义默认权限的方案,如果需要默认权限,请使用空权限。
- 对于将空路径定义为等同于路径“ /”的方案,请使用“ /”。
- 对于定义端口的方案,如果需要默认端口,请使用空端口
- URI的所有部分都必须是来自Unicode字符串的utf-8编码的NFC
这里是一个例子:
url-normalize
哪个给:
from url_normalize import url_normalize
url = 'http://google.com:80/a/../'
print(url_normalize(url))