Мне нужно сделать сайт, на котором будут статьи, и я хотел бы сделать для него понятные URL-адреса, например URL-адрес страницы с

Название: Статья Тест

должны стать: http://www.example.com/articles/article_test.

Конечно, мне нужно удалить некоторые символы из названия, например ?или #, но я не уверен, какие из них удалить.

Может кто-нибудь сказать мне, какие символы безопасно хранить?

Процитируем раздел 2.3 RFC 3986 :

«Символы, которые разрешены в URI, но не имеют зарезервированной цели, называются незарезервированными. Они включают в себя прописные и строчные буквы, десятичные цифры, дефис, точку, подчеркивание и тильду».

ALPHA  DIGIT  "-" / "." / "_" / "~"

Обратите внимание, что в RFC 3986 указано меньше зарезервированных знаков препинания, чем в более раннем RFC 2396 .

Есть два набора символов, за которыми нужно следить: зарезервированный и небезопасный .

В зарезервированные символы:

• амперсанд ("&")
• доллар ("$")
• знак плюс ("+")
• запятая (",")
• косая черта ("/")
• двоеточие (":")
• точка с запятой (";")
• равно ("=")
• вопросительный знак ("?")
• Символ «В» («@»)
• фунт ("#").

Знаки, которые обычно считаются небезопасными :

• пространство (" ")
• меньше чем и больше чем ("<>")
• открывать и закрывать скобки ("[]")
• открывать и закрывать фигурные скобки ("{}")
• труба ("|")
• обратная косая черта ("\")
• каретка ("^")
• процентов ("%")

Возможно, я забыл один или несколько, что приводит меня к повторению ответа Карла V. В долгосрочной перспективе вам, вероятно, лучше использовать «белый список» разрешенных символов и затем кодировать строку, а не пытаться идти в ногу с символами, которые запрещены серверами и системами.

Лучше всего хранить только некоторые символы (белый список) вместо удаления определенных символов (черный список).

Технически вы можете разрешить любой символ, если вы правильно его закодировали. Но, чтобы ответить в духе вопроса, вам следует разрешить только следующие символы:

1. Строчные буквы (конвертировать строчные в нижние)
2. Числа от 0 до 9
3. Тире - или подчеркивание _
4. Тильда ~

Все остальное имеет потенциально особое значение. Например, вы можете подумать, что можете использовать +, но его можно заменить пробелом. & также опасен, особенно если использовать некоторые правила перезаписи.

Как и в случае с другими комментариями, ознакомьтесь со стандартами и спецификациями для получения полной информации.

Всегда безопасно

Они безопасны (в теории / спецификации), в основном везде, кроме доменного имени.
Процентное кодирование ничего не указано, и вы готовы.

    A-Z a-z 0-9 - . _ ~ ( ) ' ! * : @ , ;

Иногда безопасно

Безопасно только при использовании в определенных компонентах URL; используйте с осторожностью.

    Paths:     + & =
    Queries:   ? /
    Fragments: ? / # + & =
    

Никогда не безопасно

Согласно спецификации URI (RFC 3986) все остальные символы должны быть в процентах. Это включает:

    <space> <control-characters> <extended-ascii> <unicode>
    % < > [ ] { } | \ ^
    

Если важна максимальная совместимость, ограничьте кодировку AZ az 0-9 - _.
(с периодами только для расширений файлов).

Держите контекст в уме

Даже если он действителен для каждой спецификации, URL-адрес может быть «небезопасным», в зависимости от контекста. Например, file: /// URL-адрес, содержащий недопустимые символы имени файла, или компонент запроса, содержащий «?», «=» И «&», если они не используются в качестве разделителей. Правильная обработка этих случаев, как правило, зависит от ваших сценариев и может быть обойдена, но об этом нужно помнить.

Рассматривая RFC3986 - Унифицированный идентификатор ресурса (URI): общий синтаксис , ваш вопрос вращается вокруг компонента пути URI.

    foo://example.com:8042/over/there?name=ferret#nose
     \_/   \______________/\_________/ \_________/ \__/
      |           |            |            |        |
   scheme     authority       path        query   fragment
      |   _____________________|__
     / \ /                        \
     urn:example:animal:ferret:nose

Ссылаясь на раздел 3.3, допустимые символы для URI segmentимеют тип pchar:

pchar = незарезервировано / pct-закодировано / под-разделы / ":" / "@"

Который распадается на:

ALPHA / DIGIT / "-" / "." / "_" / "~"

pct-encoded

"!" / "$" / "&" / "'" / "(" / ")" / "*" / "+" / "," / ";" / "="

":" / "@"

Или другими словами: Вы можете использовать любую (не управления-) символ из таблицы ASCII , за исключением / , ?, #, [и ].

Это понимание поддерживается RFC1738 - Унифицированные указатели ресурсов (URL) .

незарезервировано = ALPHA / DIGIT / "-" / "." / "_" / "~"

Из контекста, который вы описываете, я подозреваю, что то, что вы на самом деле пытаетесь создать, называется «SEO-слаг». Лучшая общеизвестная практика для них:

1. Преобразовать в нижний регистр
2. Преобразуйте целые последовательности символов, отличных от az и 0-9, в один дефис (-) (не подчеркивание)
3. Удалите «стоп-слова» из URL, т. Е. Не значащие индексируемые слова, такие как «a», «an» и «the»; Google "стоп-слова" для обширных списков

Так, в качестве примера, статья под названием «Использование! @% $ * Для представления ругательства в комиксах» получит фрагмент «Использование-представлять-ругаться-комиксы».

Формат для URI определен в RFC 3986 . Смотрите раздел 3.3 для деталей.

С точки зрения SEO, дефисы предпочтительнее подчеркивания. Преобразовать в нижний регистр, удалить все апострофы, затем заменить все не буквенно-цифровые строки символов одним дефисом. Обрежьте лишние дефисы от начала и до конца.

У меня была похожая проблема, я хотел иметь красивые URL-адреса и пришел к выводу, что я должен разрешать только буквы, цифры и _ в URL-адресах. Это нормально, затем я написал несколько хороших регулярных выражений и понял, что он распознает все символы UTF8 не буквы в .NET и был испорчен. Кажется, это известная проблема для .NET regex engine. Итак, я получил это решение:

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 chars, because
/// .NET impl of regext do not handle unicode chars. 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 "-";
    }
}

Я нашел очень полезным кодировать мой URL-адрес в безопасный, когда я возвращал значение через ajax / php в URL-адрес, который затем снова читался страницей.

Вывод PHP с кодировщиком URL для специального символа &

//PHP returning the sucess info of ajax request
echo "".str_replace('&','%26',$_POST['name'])." category was changed";

//javascript sending the value to 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);

Надеюсь, кто-нибудь найдет мои маленькие фрагменты кода полезными! :)

Я думаю, что вы ищете что-то вроде «URL Encoding» - кодирование URL, чтобы его можно было «безопасно» использовать в Интернете:

Вот ссылка для этого. Если вам не нужны специальные символы, просто удалите все, которые требуют кодировки URL:

http://www.w3schools.com/TAGS/ref_urlencode.asp

От 3 до 50 символов. Может содержать строчные буквы, цифры и специальные символы - точка (.), Тире (-), подчеркивание (_) и скорость (@).