記事を含む Web サイトを作成しています。タイトルに基づいて、記事に「わかりやすい」URL が必要です。
たとえば、記事のタイトルが の場合"Article Test"、URL を にしたいと考えていますhttp://www.example.com/articles/article_test。
ただし、記事のタイトル (任意の文字列) には複数の特殊文字を含めることができ、URL に文字どおりに配置することはできません。たとえば、それ?または#交換する必要があることは知っていますが、他のすべてを知っているわけではありません。
URL で使用できる文字は? 保管しておくと安全なものは何ですか?
RFC 3986のセクション2.3を引用するには：
URIで許可されているが、予約された目的を持たない文字は、予約されていないと呼ばれます。これらには、大文字と小文字、10進数、ハイフン、ピリオド、アンダースコア、およびチルダが含まれます。
ALPHA DIGIT "-" / "." / "_" / "~"
RFC 3986には、古いRFC2396よりも予約されている句読点が少ないことに注意してください。
注意が必要な文字のセットは2つあります。予約済みと安全ではありません。
予約文字は次のとおりです。
一般的に安全でないと見なされる文字は次のとおりです。
私は1つ以上を忘れた可能性があり、それは私がカールVの答えをエコーすることにつながります。長期的には、サーバーやシステムで許可されていない文字に遅れないようにするよりも、許可されている文字の「ホワイトリスト」を使用してから文字列をエンコードする方がよいでしょう。
特定の文字を削除する (ブラックリスト) のではなく、一部の文字のみを保持する (ホワイトリスト) ことをお勧めします。
技術的には、適切にエンコードする限り、任意の文字を許可できます。ただし、質問の精神に沿って答えるには、次の文字のみを許可する必要があります。
他のすべてのものには、潜在的に特別な意味があります。たとえば、+ を使用できると思うかもしれませんが、スペースに置き換えることができます。特にいくつかの書き換えルールを使用している場合は、 & も危険です。
他のコメントと同様に、完全な詳細については規格と仕様を確認してください。
RFC3986 - Uniform Resource Identifier (URI): Generic Syntaxを見ると、質問は URI のパスコンポーネントを中心に展開しています。
foo://example.com:8042/over/there?name=ferret#nose
\_/ \______________/\_________/ \_________/ \__/
| | | | |
scheme authority path query fragment
| _____________________|__
/ \ / \
urn:example:animal:ferret:nose
セクション 3.3 を引用すると、URI の有効な文字segmentのタイプは次のpcharとおりです。
pchar = unreserved / pct-encoded / sub-delims / ":" / "@"
これは次のように分類されます。
ALPHA / DIGIT / "-" / "." / "_" / "~"
pct-encoded
"!" / "$" / "&" / "'" / "(" / ")" / "*" / "+" / "," / ";" / "="
":" / "@"
言い換えると、 、 、、およびを除く、ASCII テーブルの任意の (制御文字以外の) 文字を使用できます。 /?#[]
この理解は、RFC1738 - Uniform Resource Locators (URL)によって裏付けられています。
あなたが説明している文脈から、あなたが実際に作ろうとしているのは「SEOスラッグ」と呼ばれるものだと思います。それらの最も一般的な既知の方法は次のとおりです。
したがって、例として、「コミックでの冒とくを表すための！@％$ *の使用法」というタイトルの記事は、「usage-represent-swearing-comics」のスラッグを取得します。
未予約 = ALPHA / DIGIT / "-" / "." / "_" / "~"
URI の形式はRFC 3986で定義されています。詳細については、セクション 3.3 を参照してください。
SEO の観点からは、ハイフンはアンダースコアよりも優先されます。小文字に変換し、すべてのアポストロフィを削除してから、英数字以外のすべての文字列を 1 つのハイフンに置き換えます。先頭と末尾の余分なハイフンを削除します。
同様の問題がありました。私はきれいな URL が欲しかったので、URL には文字、数字、および _ のみを許可する必要があるという結論に達しました。
それは問題ありませんが、良い正規表現を書いたところ、すべての UTF-8 文字が .NET の文字ではないことを認識し、うまくいかないことに気付きました。これは、.NET 正規表現エンジンの既知の問題のようです。だから私はこの解決策にたどり着きました：
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 "-";
}
}
「 URLエンコーディング」のようなものを探していると思います-Webで使用しても「安全」になるようにURLをエンコードします：
そのための参考書です。特殊文字が不要な場合は、URL エンコードが必要な文字を削除してください。
3 ～ 50 文字。小文字、数字、特殊文字 (ドット (.)、ダッシュ (-)、アンダースコア (_)、レート (@)) を含めることができます。