Нормализация URL
![](http://upload.wikimedia.org/wikipedia/commons/6/64/Normalization_URL_Animation.gif)
Нормализа́ция URL — процесс, при котором URL приводится к единообразному виду. Цель процесса нормализации заключается в преобразовании URL в нормализованный вид, с тем, чтобы определить эквивалентность двух синтаксически различных URL-адресов.[1]
Поисковые системы используют нормализацию URL для того, чтобы снизить индексацию дубликатов страниц и расположить страницы в порядке значимости. Поисковые роботы выполняют нормализацию URL для того, чтобы избежать повторного сканирования ресурса. Браузеры могут выполнять нормализацию, чтобы определить было ли посещение или есть ли страница в кэше.
Есть несколько типов нормализации, которые могут быть применены к URL: одни сохраняют исходный адрес[⇨], другие — не сохраняют[⇨].
Процесс нормализации
Нормализации, сохраняющие исходное написание
Перечисленные ниже способы нормализации описаны в RFC 3986[2] и приводят к эквивалентным URL.
- Конвертация в нижний регистр. Компоненты схемы и хоста не чувствительны к регистру, и большинство нормализаторов конвертирует URL в нижний регистр. Например:
HTTP://www.Example.com/
→http://www.example.com/
- Перевод в верхний регистр управляющих конструкций Все символы с процентным указателем (например «%3А») являются регистро-зависимыми и должны быть переведены в верхний регистр. Например:
http://www.example.com/a%c2%b1b
→http://www.example.com/a%C2%B1b
- Перекодировка управляющих конструкций в явные символы. Для связанности процентные конструкции переводятся в понятные символы (Альфа (
%41
-%5A
и%61
-%7A
), Цифровые (%30
-%39
), дефис (%2D
), точка (%2E
), подчёркивание (%5F
), или тильда (%7E
) не должны создаваться URI поставщиками и когда находятся такие URI с процентными конструкциями, то они должны быть переведены в символы.[3] Например:
http://www.example.com/%7Eusername/
→http://www.example.com/~username/
- Удаление порта́ по умолчанию. Порт по умолчанию (порт 80 для протокола http) может быть удалён из URL. Например:
http://www.example.com:80/bar.html
→http://www.example.com/bar.html
Нормализация с частичным сохранением исходного написания
Для протоколов http и https следующие варианты нормализации по стандарту RFC 3986 могут привести к эквивалентным URL, но стандартом это не гарантируется.
- Добавление конечной косой черты. Демонстрация каталога при помощи конечной косой черты, включённой в состав URL. Например:
http://www.example.com/alice
→http://www.example.com/alice/
- Однако нет способа узнать, включает ли URL путь к каталогу или нет. В RFC 3986 указано, что если исходный URL перенаправляет на нормализованный URL, то это является признаком эквивалентности.
- Удаление сегментов-точек. Сегменты «..» и «.» могут быть удалены из URL, согласно алгоритму, описанному в RFC 3986 (или похожему). Например:
http://www.example.com/../a/b/../c/./d.html
→http://www.example.com/a/c/d.html
Нормализации, изменяющие написание
Применяются следующие способы нормализации, приводящие к различному написанию URL, ведущих на один ресурс:
- Удаление головного индекса. Например:
http://www.example.com/default.asp
→http://www.example.com/
http://www.example.com/a/index.html
→http://www.example.com/a/
- Удаление фрагментов. Фрагмент URL[англ.] никогда не виден на сервере и может быть удален. Например:
http://www.example.com/bar.html#section1
→http://www.example.com/bar.html
- Однако, приложения на AJAX часто используют переменные в таких фрагментах и их удаление может привести к перенаправлению на другой ресурс.
- Замена IP адреса именем доме́на. Проверка, есть ли для IP-адреса доменное имя. Например:
http://208.77.188.166/
→http://www.example.com/
- Обратная замена редко бывает безопасной из-за использования виртуальных веб-серверов.
- Сокращение идентификаторов протоколов. Различные протоколы прикладного уровня, например, https, могут быть переведены в http. Например:
https://www.example.com/
→http://www.example.com/
- Удаление дублированных слешей Два соседних слеша в пути можно преобразовать в один. Например:
http://www.example.com/foo//bar.html
→http://www.example.com/foo/bar.html
- Удаление или добавление «www» как элемента верхнего доменного уровня. Некоторые сайты оперируют двумя интернет-доменами. Например
http://example.com/
иhttp://www.example.com/
могут вести на один ресурс. Многие веб-сайты перенаправляют пользователя с www на не-www адрес или наоборот. Алгоритмы нормализации могут определить эти перенаправления и соответствующим образом преобразовать URL. Например:
http://www.example.com/
→http://example.com/
- Сортировка параметров запросов. Некоторые веб страницы используют более чем один параметр в URL. Алгоритмы нормализации могут отсортировать параметры в алфавитном порядке (с сохранением их значений) и пересоздать URL. Например:
http://www.example.com/display?lang=en&article=fred
→http://www.example.com/display?article=fred&lang=en
- Однако порядок параметров в URL может быть значимым (это не определяется стандартами) и веб сервер может позволять переменным появляться несколько раз.[4]
- Удаление неиспользуемых переменных в запросе. Страница может ожидать только определённые параметры и неиспользуемые параметры можно удалить. Например:
http://www.example.com/display?id=123&fakefoo=fakebar
→http://www.example.com/display?id=123
- Параметр без значения не означает что параметр не используется.
- Удаление параметров запроса по умолчанию. Значение параметров по умолчанию в строке запроса могут показывать одинаковый результат, даже если они не будут указаны. Например:
http://www.example.com/display?id=&sort=ascending
→http://www.example.com/display
- Удаление «?» при пустом запросе. Когда запрос пустой, то символ «?», возможно, не нужен. Например:
http://www.example.com/display?
→http://www.example.com/display
Нормализация, основанная на списках URL
Некоторые правила нормализации могут быть разработаны для определенных веб-сайтов, изучая списки URL, полученные от предыдущих сканирований журнала или логов сервера. Например, если URL
http://foo.org/story?id=xyz
появляется в журнале логов несколько раз вместе с
http://foo.org/story_xyz
можно предположить, что эти два URL эквивалентны и могут быть нормализованы в одну из форм.
Сконфелд и соавторы в 2006 году[5] представили эвристическую систему DustBuster, которая позволяет обнаружить DUST (different URLs with similar text, различные URL с похожим текстом), это правила которые могут быть применены к URL спискам. Они показали, что как только были найдены нужные правила по DUST и применены к нормализующим алгоритмам, они показали способность к поиску до 68 % избыточных URL-адресов в списках URL.
См. также
Примечания
- ↑ RFC3986, 2005, Section 6, p. 38.
- ↑ RFC3986, 2005.
- ↑ RFC3986, 2005, Section 2.3.
- ↑ Ben, 2009.
- ↑ DUST2006, 2006, pp. 1015-1016.
Литература
- Network Working Group. RFC 3986 — Uniform Resource Identifier (URI): Generic Syntax. — WWW, 2005. — 61 с.
- Gautam Pant, Padmini Srinivasan, and Filippo Menczer. Crawling the Web (англ.). — 2004.
- Uri Schonfeld, Ziv Bar-Yossef, and Idit Keidar. Do not crawl in the dust: different URLs with similar text (англ.). — 2006.
- Uri Schonfeld, Ziv Bar-Yossef, and Idit Keidar. Do not crawl in the dust: different URLs with similar text (англ.). — 2007.
- Ben Alman. jQuery 1.4 $.param demystified (англ.). — 2009.