web-dev-qa-db-ja.com

JavaでURLを正規化する方法は？

RL正規化 （またはURL正規化）は、URLを一貫した方法で変更および標準化するプロセスです。正規化プロセスの目的は、URLを正規化されたURLまたは正規のURLに変換することです。これにより、2つの構文的に異なるURLが同等であるかどうかを判別できます。

戦略には、末尾のスラッシュ、https => httpなどを追加することが含まれます。Wikipediaページには、多くのリストがあります。

Javaでこれを行うお気に入りの方法を手に入れましたか？おそらくライブラリ（ Nutch ？）ですが、私は開いています。依存関係が小さくて少ないほど良いです。

私は今のところ何かをハンドコーディングし、この質問を監視します。

[〜＃〜] edit [〜＃〜]：積極的に正規化して、同じコンテンツを参照しているURLを同じものとしてカウントします。たとえば、パラメーターutm_source、utm_medium、utm_campaignは無視します。たとえば、タイトルが同じ場合はサブドメインを無視します。

javaurl-rewriting
33
dfrankow

URIクラスを確認しましたか？

http://docs.Oracle.com/javase/7/docs/api/Java/net/URI.html#normalize（）

22
Nitrodist

昨夜この質問を見つけましたが、探していた答えがなかったので自分で作りました。ここでそれは将来誰かがそれを望んでいる場合です：

/**
 * - Covert the scheme and Host to lowercase (done by Java.net.URL)
 * - Normalize the path (done by Java.net.URI)
 * - Add the port number.
 * - Remove the fragment (the part after the #).
 * - Remove trailing slash.
 * - Sort the query string params.
 * - Remove some query string params like "utm_*" and "*session*".
 */
public class NormalizeURL
{
    public static String normalize(final String taintedURL) throws MalformedURLException
    {
        final URL url;
        try
        {
            url = new URI(taintedURL).normalize().toURL();
        }
        catch (URISyntaxException e) {
            throw new MalformedURLException(e.getMessage());
        }

        final String path = url.getPath().replace("/$", "");
        final SortedMap<String, String> params = createParameterMap(url.getQuery());
        final int port = url.getPort();
        final String queryString;

        if (params != null)
        {
            // Some params are only relevant for user tracking, so remove the most commons ones.
            for (Iterator<String> i = params.keySet().iterator(); i.hasNext();)
            {
                final String key = i.next();
                if (key.startsWith("utm_") || key.contains("session"))
                {
                    i.remove();
                }
            }
            queryString = "?" + canonicalize(params);
        }
        else
        {
            queryString = "";
        }

        return url.getProtocol() + "://" + url.getHost()
            + (port != -1 && port != 80 ? ":" + port : "")
            + path + queryString;
    }

    /**
     * Takes a query string, separates the constituent name-value pairs, and
     * stores them in a SortedMap ordered by lexicographical order.
     * @return Null if there is no query string.
     */
    private static SortedMap<String, String> createParameterMap(final String queryString)
    {
        if (queryString == null || queryString.isEmpty())
        {
            return null;
        }

        final String[] pairs = queryString.split("&");
        final Map<String, String> params = new HashMap<String, String>(pairs.length);

        for (final String pair : pairs)
        {
            if (pair.length() < 1)
            {
                continue;
            }

            String[] tokens = pair.split("=", 2);
            for (int j = 0; j < tokens.length; j++)
            {
                try
                {
                    tokens[j] = URLDecoder.decode(tokens[j], "UTF-8");
                }
                catch (UnsupportedEncodingException ex)
                {
                    ex.printStackTrace();
                }
            }
            switch (tokens.length)
            {
                case 1:
                {
                    if (pair.charAt(0) == '=')
                    {
                        params.put("", tokens[0]);
                    }
                    else
                    {
                        params.put(tokens[0], "");
                    }
                    break;
                }
                case 2:
                {
                    params.put(tokens[0], tokens[1]);
                    break;
                }
            }
        }

        return new TreeMap<String, String>(params);
    }

    /**
     * Canonicalize the query string.
     *
     * @param sortedParamMap Parameter name-value pairs in lexicographical order.
     * @return Canonical form of query string.
     */
    private static String canonicalize(final SortedMap<String, String> sortedParamMap)
    {
        if (sortedParamMap == null || sortedParamMap.isEmpty())
        {
            return "";
        }

        final StringBuffer sb = new StringBuffer(350);
        final Iterator<Map.Entry<String, String>> iter = sortedParamMap.entrySet().iterator();

        while (iter.hasNext())
        {
            final Map.Entry<String, String> pair = iter.next();
            sb.append(percentEncodeRfc3986(pair.getKey()));
            sb.append('=');
            sb.append(percentEncodeRfc3986(pair.getValue()));
            if (iter.hasNext())
            {
                sb.append('&');
            }
        }

        return sb.toString();
    }

    /**
     * Percent-encode values according the RFC 3986. The built-in Java URLEncoder does not encode
     * according to the RFC, so we make the extra replacements.
     *
     * @param string Decoded string.
     * @return Encoded string per RFC 3986.
     */
    private static String percentEncodeRfc3986(final String string)
    {
        try
        {
            return URLEncoder.encode(string, "UTF-8").replace("+", "%20").replace("*", "%2A").replace("%7E", "~");
        }
        catch (UnsupportedEncodingException e)
        {
            return string;
        }
    }
}
19
Amy B

いいえ、これを行う標準ライブラリには何もありません。正規化には、不必要にエンコードされた文字のデコード、ホスト名の小文字への変換などが含まれます。

例えば_http://ACME.com/./foo%26bar_は次のようになります。

_http://acme.com/foo&bar_

URIのnormalize()はnotを実行します。

3
Randy Hudson

RLライブラリ： https://github.com/backchatio/rl は、Java.net.URL.normalize（）をはるかに超えています。これはScalaにあり、しかし、私はそれがJavaから使用可能であるべきだと思います。

3
pdxleif

同じコンテンツを参照するURLも識別したいので、WWW2007からのこのペーパーはかなり興味深いものでした： DUSTでクロールしない：類似したテキストを持つ異なるURL それはあなたに素敵な理論的アプローチを提供します。

2
H6.

Javaでは、URLを手動で正規化します

String company_website = "http://www.foo.bar.com/whatever&stuff";

try {
    URL url = new URL(company_website);
    System.out.println(url.getProtocol() + "://" + url.getHost());
} catch (MalformedURLException e) {
    e.printStackTrace();
}

//prints `http://www.foo.bar.com`

Java URLクラスには、URLの任意の部分を解析するためのあらゆる種類のメソッドがあります。

1
Eric Leschinski

Reference.normalize() を使用して Restlet フレームワークでこれを行うことができます。また、このクラスを使用すると、不要な要素を簡単に削除できるはずです。

1
Bruno

私にはそれを解決する簡単な方法があります。これが私のコードです

public static String normalizeURL(String oldLink)
{
    int pos=oldLink.indexOf("://");
    String newLink="http"+oldLink.substring(pos);
    return newLink;
}
0
Thanh Duy Phan