解析没有路径但在查询中带有斜杠的 URL

Posted 2023-02-22

【中文标题】解析没有路径但在查询中带有斜杠的 URL

【英文标题】：Parsing an URL without a path but with a slash in the query

【发布时间】：2015-10-04 10:29:07

【问题描述】：

我在解析没有路径但查询中有斜杠的 URL 时遇到问题。例如：http://example.com?q=a/b

我知道这样的 URL 很可能是无效的 (*) - 它至少需要一个斜杠作为路径，如下所示：http://example.com/?q=a/b。

我在其中尝试过此类 URL 的所有浏览器都会自动更正 URL。这基本上就是我想要重现的内容：识别并更正这样的 URL。

但使用 parse_url 会产生：

var_dump( parse_url('http://example.com?q=a/b') );

array(3) 
  ["scheme"]=>
  string(4) "http"
  ["host"]=>
  string(15) "example.com?q=a"
  ["path"]=>
  string(2) "/b"

虽然在查询中使用不带斜杠的 URL，但它可以正常工作：

var_dump( parse_url('http://example.com?q=ab') );

array(3) 
  ["scheme"]=>
  string(4) "http"
  ["host"]=>
  string(11) "example.com"
  ["query"]=>
  string(4) "q=ab"

我尝试过的所有外部库（Jwage\Purl、League\Url、Sabre\Uri）基本上都做同样的事情，这让我有点吃惊。

为什么（所有？）浏览器都“正确”，而（所有？）php 库却“错误”？

除了在解析 URL 之前尝试使用正则表达式捕获这些情况（这可能不可靠 - 这就是我想首先使用库的原因），我还有什么替代方法？

(*) 我咨询了三个来源：RFC 1738、RFC 3986、WHATWG URL Standard，他们三个都不同意什么被认为是有效的。

【问题讨论】：

有一个报告的错误讨论这个问题：bugs.php.net/bug.php?id=54369

【参考方案1】：

如果您仍想应用正则表达式，则应生成您要查找的 URL：

$url=pcre_replace('/([^/]+:\/\/[^/]+)\?/', '$1/?',$url);

它要求 URL 以至少一个字符的协议名称开头，后跟“：//”，至少一个字符的域名（“localhost”也可以接受）。之后，它将在“？”之前插入“/”，但前提是“？”之前没有更多的“/”。

【讨论】：

正则表达式并不是真正的问题（除了我不想要误报）。我将使用：preg_match("~^(https?://(?:[a-z0-9-]+\.)*[a-z0-9-]+(?::\d+)?)(\?.*)~", ...)

好的，这可能会成功！我的解决方案是在使用 parse_url() 解析之前对字符串进行预处理 ...

【参考方案2】：

WHATWG URL 标准最接近浏览器实现的内容。其他软件还没有完全对齐，尽管对于 PHP https://phppackages.org/p/esperecyan/url 可能有效。 （没试过。）