将 URL 转换为一种标准格式答案

【问题标题】：Convert URL into one standard format将 URL 转换为一种标准格式
【发布时间】：2019-01-12 03:04:03
【问题描述】：

这里有几个网址：

http://sub.example.com/?feed=atom&hello=world
http://www.sub.example.com/?feed=atom&hello=world
http://sub.example.com/?hello=world&feed=atom
http://www.sub.example.com/?hello=world&feed=atom
http://www.sub.example.com/?hello=world&feed=atom
http://www.sub.example.com/?hello=world&feed=atom#123

如您所见，它们都指向完全相同的页面，但 URL 格式不同。这是另外两个基本示例：

http://example.com/hello/
http://example.com/hello

两者都是一样的。

我想将 URL 转换成one 标准格式，这样当我将URL 存储在数据库中时，我可以很容易地检查URL 字符串是否已经存在于数据库。

由于 URL 的格式设置方式多种多样，这可能会令人费解。

将 URL 转换为一种标准格式的权威方法是什么？也许parse_url()路线...？

编辑

正如 cmets 中所述，没有明确的解决方案，但我们的目标是尽可能接近我们所拥有的页。在发布此赏金的答案之前，请阅读 cmets。

【问题讨论】：

这其实是一个超级有趣的问题。 +1
不确定是否有明确的方法，除非您拥有提供这些 URL 的网站。如果不检索每个 URL、创建校验和并比较校验和值，就无法确定或证明所有这些 URL 都是相同的。
目的是将 URL 转换为一种标准格式，例如，它将始终为 http://sub.example.com/?feed=atom&hello=world
这些是不同的网址。 www.sub.* 和 sub.* 理论上可以指向不同的页面。你能做的最好的就是对查询字符串进行排序。同样，尾部斜杠也表示不同的 url。
正确的解决方法是打开网址，看看是否返回301重定向；然后存储重定向的 url。或扫描页面寻找<link rel=canonical> 标签。网站使用这两种技术来指示相同 URL 的“首选”变体。

标签： php url

【解决方案1】：

避免在url中传递参数。使用 JSON 将参数传递到网页。

【讨论】：

认真的吗？你有具体的原因吗？

【解决方案2】：

所有答案都包含大量信息。假设您使用的是类似 Apache 的服务器，对于 URL 位，我将使用 .htaccess（或者，如果您可以更改它 - 等效的服务器 Apache 配置文件）来进行重写。举个简单的例子：

RewriteEngine on
RewriteBase /

RewriteCond %{HTTP_HOST} ^www\.example\.com$
RewriteRule (.*) http://example.com/$1 [R=Permanent]

在本例中，“R=Permanent”确实进行了重定向。这通常不是一个大问题，因为，a）它告诉浏览器记住重定向，b）您的内部链接可能是相对的，因此协议（http 或 https）和服务器（example.com 或其他）被保留。因此，通常重定向将是每个会话一次或更少 - 花费时间，IMO，以避免在 PHP 中执行所有这些操作。

我猜你也可以用它来重写查询位的顺序，尽管当查询位很重要时，我倾向于（不建议你这样做，只是说）将它们添加到我的路径中（例如 rewrite " .../blah/atom" 到 ".../blah.php?feed=atom")。无论如何，有很多可用的重写技巧，我建议你阅读它们 Apache mod_rewrite.

如果您确实走这条路，请务必仔细考虑您想要发生的事情 - 一旦您开始使用 URL，您通常会在很长一段时间内无法做出决定。

【讨论】：

除非我弄错了这不是 OP 的网站。这是一个可以使用不同 URL 访问的站点，他只想存储其中一个。如果这实际上是他的网站，那么您的答案就是正确的，但我认为情况并非如此。
好吧，如果他在做日志处理或类似的事情，那么你的观点是正确的，并且同意这会偏离目标。如果是这样的话，我稍后会给出答案。

【解决方案3】：

我的原始答案假设这些页面都归 OP 所有，根据“如您所见，它们都指向完全相同的页面，但 URL 格式不同......”这一行。我正在调整答案以处理多个选项，并添加您可以和不能对 URL 做出的假设列表。

正如其他人指出的那样，如果您不知道页面是否相同，则没有明确的简单答案。但是，如果您遵循这些假设，您应该可以安全地标准化一些事情：

可以假设

具有相同值的查询字符串无论顺序如何都指向相同的位置。示例：https://example.com/?fruit=apple&color=red 与 https://example.com/?color=red&fruit=apple 相同
可以遵循 301 重定向到特定来源。如果您收到 301 重定向响应，请按照重定向并使用该 URL。您可以放心地假设，如果某个 URL 确实指向同一个页面，并且页面排名得到了优化，那么您就可以关注它。
如果 HTML 中只有一个 <link rel="canonical"> 标签，它也可以用来覆盖规范链接（原因见下文）。

不能假设

如果它们不同，则任何 URL 都保证与任何其他 URL 相同（在这种情况下，通过 URL，我指的是查询字符串之前的任何内容）。
- http://example.com 可以不同于https://example.com 可以不同于http://www.example.com 或https://www.example.com。在输入“www”或将其排除在外时，显示不同的网站没有任何限制。这就是为什么在搜索引擎上的页面排名在这里真的被破坏了。
任何两个 URL，即使它们当前具有完全相同的内容，也会保持完全相同的内容。一个例子是https://example.com/test 和https://sub.example.com/test。两者都可以设置为相同的通用测试页面内容。将来，https://sub.example.com/test 可能会更改。你不能假设它不会。

如果您拥有该网站

以您想要的 URL 格式的第一部分重定向所有流量：您想要www.example.com 或example.com 还是sub.example.com？你想要一个斜线还是不？首先使用服务器规则或 PHP 重定向它。这对搜索页面排名也非常有益（如果这对您很重要）。

这方面的一个例子是这样的：

if (!$_SERVER['HTTPS'] || 'example.com' !== $_SERVER['HTTP_HOST'] || rtrim($_SERVER['PHP_SELF'], '/') !== $_SERVER['PHP_SELF']) {
    header('HTTP/1.1 301 Moved Permanently'); 
    header('Location: '. 'https://example.com/'.rtrim($_SERVER['PHP_SELF']), '/'));
    exit;
}

最后，要管理任何剩余的 SEO 问题，您可以添加此 HTML 标记：

`<link rel="canonical" href="<?php echo $url; ?>">`

无论您是否拥有网站，您都可以标准化查询顺序

即使您不控制网站，也可以假设查询顺序无关紧要。要标准化这一点，请获取您的查询并重建参数，将其附加到您的规范化 URL。

function getSortedQuery() 
{
    $url = [];
    parse_str($_SERVER['QUERY_STRING'], $url);
    ksort($url);
    return http_build_query($url);
}

$url = $_SERVER['HTTP_HOST'].$_SERVER['PHP_SELF'].'?'.getSortedQuery();

另一种选择是抓取页面内容并查看是否有<link rel="canonical"> 字符串，并使用该字符串记录您的数据。这有点贵，因为它需要加载整个页面。

重复一遍，请确保您获取 301 重定向，因为它们不是建议，而是关于最终结果 URL 的指令。

最后一个建议

我可能建议使用两列，一列是“canonical_url”，另一列是“effective_url”。有时一个 URL 可以工作，然后变成 301 重定向。这只是我的看法，但我想知道这些事情。

【讨论】：

除非我弄错了这不是 OP 的网站。这是一个可以使用不同 URL 访问的站点，他只想存储其中一个。如果这实际上是他的网站，那么您的答案就是正确的，但我认为情况并非如此。
然后引用“如您所见，它们都指向完全相同的页面，但 URL 格式不同......”是不正确且具有误导性的。

【解决方案4】：

重复 URL 就是这种情况，您可以使用 URL 工厂将所有不正确的 URL 重定向到正确的 URL，从而避免此类重复的 URL。

这篇文章也解释了同样的事情：

https://www.tinywebhut.com/remove-duplicate-urls-from-your-website-38

任何其他指向同一页面的 URL 都会被 301 重定向到正确版本的 URL。

这是搜索引擎优化 (SEO) 的最佳实践。下面我给大家举几个例子。

你可以考虑一下这个网站的网址，比如这个页面的错误链接是

https://stackoverflow.com/questions/51685850
https://stackoverflow.com/questions/51685850/convert-url-into-one-s
https://stackoverflow.com/questions/51685850/

如果您转到此页面的上述错误 URL，您将被重定向到正确的 URL，即

https://stackoverflow.com/questions/51685850/convert-url-into-one-standard-format

如果您更改此问题的标题，所有其他 URL 都会 301 重定向到正确的 URL。这里的想法是 301 重定向，它告诉搜索引擎用新 URL 替换旧 URL，否则搜索引擎会找到提供相同内容的不同 URL。

这里真正的问题是问题的 ID，51685850。此 id 用于使用数据库中的信息创建正确的 URL。使用在文章中提供的链接中创建的 URL 工厂，您甚至不需要将 URL 存储在数据库中。

您可以在此处阅读有关重复内容的更多信息：

https://moz.com/learn/seo/duplicate-content

同样的规则也适用于 tinywebhut.com，错误的 URL 是

https://www.tinywebhut.com/remove-duplicate-38
https://www.tinywebhut.com/some-text-38
https://www.tinywebhut.com/remove-duplicate-urls-from-your-website-38/

在上述 URL 中，ID 附加到 URL 的末尾，即38，如果您访问这些 URL 中的任何一个，您将被 301 重定向到正确版本的 URL，即

https://www.tinywebhut.com/remove-duplicate-urls-from-your-website-38

这里我没有做任何函数来解释，因为这篇文章已经做了：

https://www.tinywebhut.com/remove-duplicate-urls-from-your-website-38

您可以通过几个非常简单的功能来实现该目标，并且您可以应用相同的想法来删除其他重复的 URL，例如 /about.php、/about、/about.php/、/about/ 等。要实现这一点，您只需要为现有函数添加更多代码。

另一种方法是添加规范标签，例如，即使您有多个 URL 可以访问同一页面，您只需应用规范标签并将链接添加到正确的 URL。

<link rel="canonical" href="https://stackoverflow.com/questions/51685850/convert-url-into-one-standard-format" />

通过这种方式，您告诉搜索引擎多个 URL 应被视为一个，并且搜索引擎将在其搜索结果中添加规范标签中使用的链接。您可以在此处阅读有关规范化的更多信息：

https://moz.com/learn/seo/canonicalization

但摆脱重复内容的最佳方法仍然是 301 重定向。如果您像我一开始所说的那样进行 301 重定向，那么所有问题都会毫无意外地解决。

【讨论】：

【解决方案5】：

由于问题被标记为“PHP”，我假设您在后端。

有足够的答案可以比较 URLs（协议、主机、端口、路径、请求参数列表），其中路径区分大小写，协议和主机不区分。更改请求参数的顺序严格来说也是更改 URL。

我的印象是，您希望通过服务器所服务的 RESOURCE 来区分（http://www.sub.example.com/ 提供与 http://sub.example.com/ 相同的资源或 .../hello 提供与 . ../你好/)

服务于哪个资源，您应该完全了解后端级别，因为您（后端）知道您在服务什么。找到资源的完美 ID 并使用它。

PS：URL 不是一个好的标识符。但是，如果您必须使用它，只需使用经过清理的版本（出于您的目的进行清理 => 清理到您的首选主机，在路径末尾去除或添加斜杠，从路径中删除 /../ 之类的内容（无论如何都是安全问题），带来请求参数按特定顺序排列，无论您的目的是否正确。

最好的问候，iPirat

【讨论】：

【解决方案6】：

正如一些人指出的那样，虽然您显示的 URL 当前可能指向相同的内容，但无法判断它们将来是否会指向相同的内容。协议或主机名的更改可以为您提供不同的内容集，即使是 example.com 与 www.example.com，即使由同一台机器在同一 IP 提供服务。不常见，但可能会发生......

因此，如果我想维护一个 URL 列表，我将存储协议、主机名、目录路径、文件名（如果存在）（也称为“问号前最后一个斜杠之后的任何内容”），以及按密钥集排序的GET 参数的键/值对

然后别忘了你可以去https://www.google.com，除了协议和主机名之外什么都没有......

【讨论】：

【解决方案7】：

将首选的<link rel="canonical" ... > 标记添加到HTML 标头中是唯一可靠的解决方案，以便将唯一内容引用到单个SEF URL。请参阅 Google 的有关 Consolidate duplicate URLs 的文档，它可能比我以往任何时候都更权威、更可靠地回答了整个问题。

无需解析那些服务器的.htaccess rewrite-rules 或 HTML 标头就能够知道规范 URL 或解析一堆外部 URL 的想法似乎不适用（仅仅是因为可以维护一个带有 URL 别名的表，随后不允许猜测 HTTP 请求可能是如何被重写的）。

这个问题可能属于https://webmasters.stackexchange.com/search?q=cannonical。

【讨论】：

【解决方案8】：

我在报告配置保存功能方面遇到了同样的问题。在我们的系统中，用户可以设计自己的销售报表（如 Jira 的 JQL）；为此，我们使用 get params 作为条件，使用片段标识符（# 之后）作为布局设置，如下所示：

http://example.com/report.php?since=20180101&until=20180806#sort=amount&color=blue

对于我们的系统，GET 的顺序或 # 参数之后的顺序也无关紧要，如果将参数设置为“until”而不是“since”，那么您会达到相同的报告配置，所以对我们来说是相同的请求。

考虑到这一点，子域不在讨论范围之内，因为您必须使用重写技术（如 Apache 中的 mod_rewrite 和 301）来解决这个问题，或者在软件级别创建域异常池来执行此操作。此外，不同的域可以指向不同的网站，因此您必须决定是否是一个好主意；在 subdos 中“www”很容易弄清楚，但在其他情况下会花费你时间。

服务器端可以帮助在查询部分获取变量。例如，在 PHP 中，您可以使用函数 parse_str 和 $_SERVER['QUERY_STRING'] 来获取数组，然后，您需要使用 asort() 来命令它最终比较是否是相同的请求（array_diff 函数）。

不幸的是，服务器端不是一个选项，因为无法获取哈希 (#) 内容，我们仍然没有考虑其他问题，例如包含脚本名、协议或端口：

http://www.sub.example.com/index.php?hello=world&feed=atom
https://www.sub.example.com/?hello=world&feed=atom
http://www.sub.example.com:8081/?hello=world&feed=atom

以我个人的经验，最接近的解决方案是 JavaScript，用于处理 url，将查询部分解析为数组，比较它们并对片段标识符执行相同的操作。如果您需要在服务器端使用它，则每个加载页面都必须跟随一个 ajax 请求，将这些数据发送到服务器。

提前为我的回答长度道歉，但这是我为了解决您遇到的相同问题而必须经历的。问候！

从 URL 获取协议、域和端口 Get protocol, domain, and port from URL

如何在 JavaScript 中获取查询字符串值？ How can I get query string values in JavaScript?

如何从 URL 中获取片段标识符（哈希 # 后的值）？ How do I get the fragment identifier (value after hash #) from a URL?

【讨论】：

【解决方案9】：

在你之后parse_url:

从域名中删除www前缀
如果路径不为空 - 删除尾部的斜杠
按名称的字母顺序对查询参数进行排序 - 如果有的话

组合这些部分以获得规范的 URL。

【讨论】：

1) 如果 www.example.com 和 example.com 不同怎么办 (ii) 如果需要尾部斜杠怎么办，例如当 url 是目录时？
OP 暗示，对于他的 URL，www 和非www 的含义相同，并且服务器会忽略/删除尾部斜杠。
你必须强调你不能暗示任何事情。即使是谷歌也有重复网址的问题。
因此没有解决此问题的definite 方法。问题已结束。