Saya perlu membuat situs web yang akan memiliki artikel, dan saya ingin membuat URL yang ramah untuknya, misalnya URL halaman dengan

Judul: Tes Artikel

harus menjadi: http://www.example.com/articles/article_test.

Tentu saja saya perlu menghapus beberapa karakter dari judul suka ?atau #, tapi saya tidak yakin yang mana yang harus dihapus.

Bisakah seseorang memberi tahu saya karakter apa yang aman untuk disimpan?

Mengutip bagian 2.3 dari RFC 3986 :

"Karakter yang diizinkan dalam URI tetapi tidak memiliki tujuan khusus disebut tidak terpelihara. Ini termasuk huruf besar dan kecil, angka desimal, tanda hubung, titik, garis bawah, dan tilde."

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

Perhatikan bahwa RFC 3986 mencantumkan lebih sedikit tanda baca yang dipesan daripada RFC 2396 yang lebih lama .

Ada dua set karakter yang perlu Anda perhatikan: dicadangkan dan tidak aman .

The dilindungi undang-undang karakter:

• simbol untuk 'dan ("&")
• dolar ("$")
• tanda tambah ("+")
• koma (",")
• forward slash ("/")
• usus besar (":")
• semi-colon (";")
• sama dengan ("=")
• tanda tanya ("?")
• Simbol 'At' ("@")
• pound ("#").

Karakter yang umumnya dianggap tidak aman adalah:

• ruang ("")
• kurang dari dan lebih besar dari ("<>")
• buka dan tutup kurung ("[]")
• buka dan tutup kawat gigi ("{}")
• pipa ("|")
• garis miring terbalik ("\")
• tanda sisipan ("^")
• persen ("%")

Saya mungkin lupa satu atau lebih, yang mengarah pada saya untuk menggemakan jawaban Carl V. Dalam jangka panjang Anda mungkin lebih baik menggunakan "daftar putih" karakter yang diizinkan dan kemudian meng-encode string daripada mencoba untuk tetap mengikuti karakter yang dilarang oleh server dan sistem.

Anda sebaiknya hanya menyimpan beberapa karakter (daftar putih) daripada menghapus karakter tertentu (daftar hitam).

Anda dapat mengizinkan karakter apa pun secara teknis, selama Anda menyandikannya dengan benar. Tetapi, untuk menjawab dengan semangat pertanyaan, Anda harus mengizinkan karakter ini:

1. Huruf kecil (konversi huruf besar menjadi huruf kecil)
2. Bilangan, 0 hingga 9
3. Tanda hubung - atau garis bawah _
4. Tilde ~

Segala sesuatu yang lain memiliki makna yang berpotensi khusus. Misalnya, Anda mungkin berpikir Anda dapat menggunakan +, tetapi dapat diganti dengan spasi. & Juga berbahaya, terutama jika menggunakan beberapa aturan penulisan ulang.

Seperti komentar lainnya, lihat standar dan spesifikasi untuk detail lengkap.

Selalu Aman

Ini aman (dalam teori / spec), pada dasarnya di mana saja kecuali nama domain.
Persen-enkode apa pun yang tidak terdaftar, dan Anda siap melakukannya.

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

Terkadang Aman

Hanya aman bila digunakan dalam komponen URL tertentu; gunakan dengan hati-hati.

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

Tidak pernah aman

Menurut spesifikasi URI (RFC 3986), semua karakter lain harus dikodekan persen. Ini termasuk:

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

Jika kompatibilitas maksimum menjadi perhatian, batasi rangkaian karakter ke AZ az 0-9 - _.
(dengan periode hanya untuk ekstensi nama file).

Simpan Konteks dalam Pikiran

Meskipun valid per spec, URL masih bisa "tidak aman", tergantung pada konteksnya. Seperti file: /// URL yang berisi karakter nama file tidak valid, atau komponen permintaan yang mengandung "?", "=", Dan "&" saat tidak digunakan sebagai pembatas. Penanganan yang benar untuk kasus-kasus ini umumnya tergantung pada skrip Anda dan dapat diselesaikan, tetapi ini sesuatu yang perlu diingat.

Melihat RFC3986 - Uniform Resource Identifier (URI): Sintaks Generik , pertanyaan Anda berputar di sekitar komponen jalur URI.

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

Mengutip bagian 3.3, karakter yang valid untuk URI segmentadalah tipe pchar:

pchar = tidak diawetkan / pct-encoded / sub-delims / ":" / "@"

Yang terurai menjadi:

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

pct-encoded

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

":" / "@"

Atau dengan kata lain: Anda dapat menggunakan (non-kontrol-) karakter dari tabel ASCII , kecuali / , ?, #, [dan ].

Pemahaman ini didukung oleh RFC1738 - Uniform Resource Locators (URL) .

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

Dari konteks yang Anda gambarkan, saya menduga bahwa apa yang sebenarnya Anda coba buat adalah sesuatu yang disebut 'SEO slug'. Praktik umum yang paling dikenal untuk mereka adalah:

1. Konversikan ke huruf kecil
2. Ubah seluruh urutan karakter selain az dan 0-9 menjadi satu tanda hubung (-) (bukan garis bawah)
3. Hapus 'stop words' dari URL, yaitu kata-kata yang tidak dapat diindeks bermakna seperti 'a', 'an', dan 'the'; Google 'kata berhenti' untuk daftar lengkap

Jadi, sebagai contoh, sebuah artikel berjudul "Penggunaan! @% $ * Untuk Mewakili Komik Bersumpah" akan mendapatkan seonggok "penggunaan-mewakili-sumpah-komik".

Format untuk URI didefinisikan dalam RFC 3986 . Lihat bagian 3.3 untuk detailnya.

Dari perspektif SEO, tanda hubung lebih disukai daripada garis bawah. Konversikan menjadi huruf kecil, singkirkan semua apostrof, lalu ganti semua string karakter non-alfanumerik dengan satu tanda hubung. Pangkas tanda hubung yang berlebihan di awal dan akhir.

Saya memiliki masalah yang sama, saya ingin memiliki url yang cantik dan sampai pada kesimpulan bahwa saya harus mengizinkan hanya huruf, angka, - dan _ dalam url. Itu baik-baik saja, kemudian saya menulis beberapa regex yang bagus dan saya menyadari bahwa itu mengenali semua karakter UTF8 bukan huruf dalam. Ini tampaknya menjadi masalah yang diketahui untuk mesin .NET regex. JADI saya mendapatkan solusi ini:

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 "-";
    }
}

Saya merasa sangat berguna untuk menyandikan url saya ke yang aman ketika saya mengembalikan nilai melalui ajax / php ke url yang kemudian dibaca oleh halaman itu lagi.

Output PHP dengan url encoder untuk karakter khusus &

//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);

Semoga ada yang menemukan ekstrak kode kecil saya berguna! :)

Saya pikir Anda sedang mencari sesuatu seperti "Pengkodean URL" - pengkodean URL sehingga "aman" untuk digunakan di web:

Ini referensi untuk itu. Jika Anda tidak menginginkan karakter khusus, hapus saja yang memerlukan penyandian URL:

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

Antara 3-50 karakter. Dapat berisi huruf kecil, angka dan karakter khusus - titik (.), Tanda hubung (-), garis bawah (_) dan dengan kecepatan (@).