我正在制作一个包含文章的网站,并且我需要文章根据标题具有“友好”的 URL。
例如,如果我的文章标题是"Article Test"
,我希望 URL 是http://www.example.com/articles/article_test
。
但是,文章标题(作为任何字符串)可以包含多个特殊字符,这些字符无法在我的 URL 中按字面意思输入。例如,我知道?
或#
需要更换,但我不知道所有其他人。
URL 中允许使用哪些字符?什么是安全的?
我正在制作一个包含文章的网站,并且我需要文章根据标题具有“友好”的 URL。
例如,如果我的文章标题是"Article Test"
,我希望 URL 是http://www.example.com/articles/article_test
。
但是,文章标题(作为任何字符串)可以包含多个特殊字符,这些字符无法在我的 URL 中按字面意思输入。例如,我知道?
或#
需要更换,但我不知道所有其他人。
URL 中允许使用哪些字符?什么是安全的?
引用RFC 3986的第 2.3 节:
URI 中允许但没有保留用途的字符称为未保留字符。这些包括大写和小写字母、十进制数字、连字符、句点、下划线和波浪号。
ALPHA DIGIT "-" / "." / "_" / "~"
请注意,与旧的RFC 2396相比,RFC 3986 列出的保留标点符号更少。
您需要注意两组字符:reserved和unsafe。
保留字符是:
通常认为不安全的字符是:
我可能忘记了一个或多个,这导致我附和Carl V 的回答。从长远来看,您最好使用允许字符的“白名单”然后对字符串进行编码,而不是试图与服务器和系统不允许的字符保持同步。
从理论上和规范来看,这些基本上在任何地方都是安全的,除了域名。对未列出的任何内容进行百分比编码,一切顺利。
A-Z a-z 0-9 - . _ ~ ( ) ' ! * : @ , ;
只有在特定的 URL 组件中使用时才安全;小心使用。
Paths: + & =
Queries: ? /
Fragments: ? / # + & =
根据 URI 规范 (RFC 3986),所有其他字符都必须进行百分比编码。这包括:
<space> <control-characters> <extended-ascii> <unicode>
% < > [ ] { } | \ ^
如果考虑最大兼容性,请将字符集限制为 AZ az 0-9 - _ 。(句点仅用于文件扩展名)。
即使根据规范有效,URL 仍然可能是“不安全的”,具体取决于上下文。例如包含无效文件名字符的 file:/// URL,或者在不用作分隔符时包含“?”、“=”和“&”的查询组件。这些情况的正确处理通常取决于您的脚本并且可以解决,但请记住这一点。
您最好只保留一些字符(白名单)而不是删除某些字符(黑名单)。
只要您正确编码,您可以在技术上允许任何字符。但是,为了回答问题的精神,您应该只允许这些字符:
其他一切都有潜在的特殊意义。例如,您可能认为可以使用 +,但可以将其替换为空格。& 也很危险,尤其是在使用一些重写规则时。
与其他评论一样,请查看标准和规范以获取完整详细信息。
查看RFC3986 - Uniform Resource Identifier (URI): Generic Syntax,您的问题围绕着 URI 的路径组件。
foo://example.com:8042/over/there?name=ferret#nose
\_/ \______________/\_________/ \_________/ \__/
| | | | |
scheme authority path query fragment
| _____________________|__
/ \ / \
urn:example:animal:ferret:nose
引用第 3.3 节,URIsegment
的有效字符类型为pchar
:
pchar = unreserved / pct-encoded / sub-delims / ":" / "@"
分解为:
ALPHA / DIGIT / "-" / "." / "_" / "~"
pct-encoded
"!" / "$" / "&" / "'" / "(" / ")" / "*" / "+" / "," / ";" / "="
":" / "@"
或者换句话说:您可以使用ASCII 表中的任何(非控制)字符,除了 /
、?
、#
和。[
]
这种理解得到了RFC1738 - 统一资源定位器 (URL)的支持。
从您描述的上下文来看,我怀疑您实际上想要做的是一种叫做“SEO slug”的东西。最普遍的已知做法是:
因此,例如,一篇标题为“The Usage of !@%$* to Represent Swearing In Comics”的文章会得到一个“usage-represent-swearing-comics”的标题。
未保留 = ALPHA / DIGIT / "-" / "." /“_”/“~”
URI 的格式在RFC 3986中定义。有关详细信息,请参见第 3.3 节。
从 SEO 的角度来看,连字符比下划线更受欢迎。转换为小写,删除所有撇号,然后用单个连字符替换所有非字母数字字符串。剪掉开头和结尾多余的连字符。
我有一个类似的问题。我想要有漂亮的 URL,并得出结论,我必须在 URL 中只允许字母、数字和 - 和 _。
这很好,但后来我写了一些不错的正则表达式,我意识到它识别出所有 UTF-8 字符都不是 .NET 中的字母并且被搞砸了。这似乎是 .NET 正则表达式引擎的一个已知问题。所以我得到了这个解决方案:
private static string GetTitleForUrlDisplay(string title)
{
if (!string.IsNullOrEmpty(title))
{
return Regex.Replace(Regex.Replace(title, @"[^A-Za-z0-9_-]", new MatchEvaluator(CharacterTester)).Replace(' ', '-').TrimStart('-').TrimEnd('-'), "[-]+", "-").ToLower();
}
return string.Empty;
}
/// <summary>
/// All characters that do not match the patter, will get to this method, i.e. useful for Unicode characters, because
/// .NET implementation of regex do not handle Unicode characters. So we use char.IsLetterOrDigit() which works nicely and we
/// return what we approve and return - for everything else.
/// </summary>
/// <param name="m"></param>
/// <returns></returns>
private static string CharacterTester(Match m)
{
string x = m.ToString();
if (x.Length > 0 && char.IsLetterOrDigit(x[0]))
{
return x.ToLower();
}
else
{
return "-";
}
}
当我通过 Ajax/PHP 将一个值返回到一个 URL 时,我发现将我的 URL 编码为一个安全的 URL 非常有用,然后页面会再次读取该 URL。
带有特殊字符的 URL 编码器的 PHP 输出&
:
// PHP returning the success information of an Ajax request
echo "".str_replace('&', '%26', $_POST['name']) . " category was changed";
// JavaScript sending the value to the URL
window.location.href = 'time.php?return=updated&val=' + msg;
// JavaScript/PHP executing the function printing the value of the URL,
// now with the text normally lost in space because of the reserved & character.
setTimeout("infoApp('updated','<?php echo $_GET['val'];?>');", 360);
我认为您正在寻找类似“ URL encoding ”的东西 - 对 URL 进行编码,以便在网络上使用它是“安全的”:
这是一个参考。如果您不想要任何特殊字符,只需删除任何需要 URL 编码的字符:
3-50 个字符之间。可以包含小写字母、数字和特殊字符 - 点 (.)、破折号 (-)、下划线 (_) 和比率 (@)。