Question

我将url作为字符串，需要对其应用多个规则。第一条规则是删除锚点，然后删除＆＃39; ../'表示法，因为urljoin在某些情况下加入url不正确，最后删除了前导斜杠。现在我有这样的代码：

def construct_url(parent_url, child_url):
        url = urljoin(parent_url, child_url)
        url = url.split('#')[0]
        url = url.replace('../', '')
        url = url.rstrip('/')
        return url

但我不认为这是最好的做法。我认为它可以做得更简单。请问你能帮帮我吗？感谢。

Answer 1

不幸的是，没有太多可以使你的函数更简单，因为你正在处理一些非常奇怪的情况。

但是你可以通过使用Python的urlparse.urlsplit()将明确定义的组件中的URL拆分，进行处理并使用{{3}将其重新组合在一起，从而使其更加健壮 }：

from urlparse import urljoin
from urlparse import urlsplit
from urlparse import urlunsplit

def construct_url(parent_url, child_url):
    url = urljoin(parent_url, child_url)
    scheme, netloc, path, query, fragment = urlsplit(url)
    path = path.replace('../', '')
    path = path.rstrip('/')
    url = urlunsplit((scheme, netloc, path, query, ''))
    return url


parent_url = 'http://user:pw@google.com'
child_url = '../../../chrome/#foo'

print construct_url(parent_url, child_url)

输出：

http://user:pw@google.com/chrome

使用urlparse中的工具具有以下优势：您可以确切地知道处理操作的内容（在您的情况下是路径和片段），并且它处理所有内容，例如用户凭据，查询字符串，参数等。你。

注意：与我在评论中建议的内容相反，urljoin确实会对网址进行规范化：

>>> from urlparse import urljoin
>>> urljoin('http://google.com/foo/bar', '../qux')
'http://google.com/qux'

但它是严格遵循RFC 1808的。

来自urlparse.urlunsplit()：

在具有明确定义的基本URL
的对象中
基地：<URL:http://a/b/c/d;p?q#f>

[...]

解析器必须小心处理有更多的情况   相对路径".."段比其中的层次级别   基本URL的路径。请注意，".."语法不能用于更改   网址的<net_loc>。
../../../g    = <URL:http://a/../g>
../../../../g = <URL:http://a/../../g>

因此，urljoin通过保留那些无关的../来做正确的事情，因此您需要通过手动处理将其删除。

在1个字符串上应用多个规则的最佳实践

1 个答案: