在 Java 中规范化可能编码的 URI 字符串
Posted
技术标签:
【中文标题】在 Java 中规范化可能编码的 URI 字符串【英文标题】:Normalising possibly encoded URI strings in Java 【发布时间】:2012-03-14 05:57:44 【问题描述】:使用 Java,我想去除片段标识符并对一组不同的 URI 进行一些简单的规范化(例如,小写方案、主机)。输入和输出 URI 在一般 HTTP 意义上应该是等效的。
通常,这应该很简单。但是,对于像 http://blah.org/A_%28Secret%29.xml#blah
这样的 URI,它对 (Secret)
进行了百分比编码,java.util.URI
的行为让生活变得困难。
规范化方法应该返回 http://blah.org/A_%28Secret%29.xml
,因为 URI http://blah.org/A_%28Secret%29.xml
和 http://blah.org/A_(Secret).xml
在解释上是不等价的 [§2.2; RFC3968]
所以我们有以下两种归一化方法:
URI u = new URI("http://blah.org/A_%28Secret%29.xml#blah");
System.out.println(u);
// prints "http://blah.org/A_%28Secret%29.xml#blah"
String path1 = u.getPath(); //gives "A_(Secret).xml"
String path2 = u.getRawPath(); //gives "A_%28Secret%29.xml"
//NORMALISE METHOD 1
URI norm1 = new URI(u.getScheme().toLowerCase(), u.getUserInfo(),
u.getHost().toLowerCase(), u.getPort(), path1,
u.getQuery(), null);
System.out.println(norm1);
// prints "http://blah.org/A_(Secret).xml"
//NORMALISE METHOD 2
URI norm2 = new URI(u.getScheme().toLowerCase(), u.getUserInfo(),
u.getHost().toLowerCase(), u.getPort(), path2,
u.getQuery(), null);
System.out.println(norm2);
// prints "http://blah.org/A_%2528Secret%2529.xml"
正如我们所见,URI 在没有片段标识符的情况下被解析和重建。
但是,对于方法 1,u.getPath()
返回一个未编码的 URI,这会改变最终的 URI。
对于方法 2,u.getRawPath()
返回原始路径,但是当传递给 URI
构造函数时,Java 决定添加双重编码。
这感觉就像一个中国手指陷阱。
所以两个主要问题:
为什么java.util.URI
觉得有必要玩编码?
如何在不修改原始百分比编码的情况下实现这种标准化方法?
(我宁愿不必实现java.util.URI
的解析/连接方法,这些方法很重要。)
编辑:以下是来自URI
javadoc 的更多信息。
单参数构造函数要求在其参数中引用任何非法字符,并保留所有转义的八位字节和其他存在的字符。
多参数构造函数 引用出现它们的组件所要求的非法字符。 百分号字符('%')总是被这些构造函数引用。任何其他字符都被保留。
getRawUserInfo、getRawPath、getRawQuery、getRawFragment、getRawAuthority 和 getRawSchemeSpecificPart 方法以原始形式返回其对应组件的值,不解释任何转义的八位位组 .这些方法返回的字符串可能同时包含转义的八位字节和其他字符,并且不会包含任何非法字符。
getUserInfo、getPath、getQuery、getFragment、getAuthority 和 getSchemeSpecificPart 方法解码相应组件中的任何转义八位字节。这些方法返回的字符串可能同时包含其他字符和非法字符,并且不会包含任何转义的八位字节。
toString 方法返回一个包含所有必要引号但可能包含其他字符的 URI 字符串。
toASCIIString 方法返回不包含任何其他字符的完全引用和编码的 URI 字符串。
因此,如果没有 URI
类在内部弄乱 URL 编码,我就无法使用多参数构造函数。呸!
【问题讨论】:
用例是一个爬虫。我们希望提取一组提取的 URI 并将它们“规范化”为尽可能小的一组,同时确保检索到的内容保证是相同的。 (问题***.com/questions/2993649/… 是相关的,但没有解决剥离片段ID 的问题,URL 编码发生变化。) 我远离 URI 的东西,不确定您是否需要以标准方式使用 URI API,但如果我只是想以某种方式实现此功能,我会选择 1 ) 获取原始 url 的子字符串,直到第一次出现#
或 ?
或 &
因为这实际上是将 url 与额外信息分开或 2) 让 URI 创建正常的 uri(例如 norm2)然后将所有 %因为java.net.URI
是在 java 1.4(2002 年推出)中引入的,它基于 RFC2396,它将 '(' 和 ')' 视为 不需要 转义的字符,并且语义即使被转义也不会改变,而且它甚至说除非必要,否则不应转义(§2.3,RFC2396)。
但是 RFC3986(2005 年发布)改变了这一点,我猜 JDK 的开发人员决定不改变 java.net.URI
的行为以兼容现有代码。
通过随机搜索,我发现Jena IRI 看起来不错。
public class IRITest
public static void main(String[] args)
IRIFactory factory = IRIFactory.uriImplementation();
IRI iri = factory.construct("http://blah.org/A_%28Secret%29.xml#blah");
ArrayList<String> a = new ArrayList<String>();
a.add(iri.getScheme());
a.add(iri.getRawUserinfo());
a.add(iri.getRawHost());
a.add(iri.getRawPath());
a.add(iri.getRawQuery());
a.add(iri.getRawFragment());
IRI iri2 = factory.construct("http://blah.org/A_(Secret).xml#blah");
ArrayList<String> b = new ArrayList<String>();
b.add(iri2.getScheme());
b.add(iri2.getRawUserinfo());
b.add(iri2.getRawHost());
b.add(iri2.getRawPath());
b.add(iri2.getRawQuery());
b.add(iri2.getRawFragment());
System.out.println(a);
//[http, null, blah.org, /A_%28Secret%29.xml, null, blah]
System.out.println(b);
//[http, null, blah.org, /A_(Secret).xml, null, blah]
【讨论】:
【参考方案2】:请注意 [§2.2 末尾的这段话; RFC3968]
URI 生成应用程序应该对数据字节进行百分比编码 对应于保留集中的字符,除非这些字符 URI 方案特别允许在其中表示数据 零件。如果在 URI 组件中找到保留字符并且 该字符没有已知的分隔角色,那么它必须是 解释为表示对应的数据八位字节 US-ASCII 字符的编码。
所以,只要方案是http或者https,编码就是正确的行为。
尝试使用toASCIIString 方法而不是toString
来打印URI。例如:
System.put.println(norm1.toASCIIString());
【讨论】:
感谢您的信息!不确定我是否同意你对这段话的解释。这部分:“除非 URI 方案明确允许这些字符表示该组件中的数据”表明 HTTP/HTTPS 没有必要允许,例如,"()"
字符。在任何情况下,如果您考虑以下段落“对保留字符进行百分比编码,或对与保留字符相对应的百分比编码八位字节进行解码,将改变大多数人解释 URI 的方式,那么对于爬虫来说,这个问题将变得毫无意义。应用程序。”。 (toASCIIString
方法在这里没有作用。)以上是关于在 Java 中规范化可能编码的 URI 字符串的主要内容,如果未能解决你的问题,请参考以下文章