Как нормализовать URL в Java?

Question

Нормализация URL (или канонизация URL) - это процесс, с помощью которого URL-адреса изменяются и стандартизируются согласованным образом. Цель процесса нормализации - преобразовать URL-адрес в нормализованный или канонический URL-адрес, чтобы можно было определить, эквивалентны ли два синтаксически различных URL-адреса.

Стратегии включают добавление косой черты, https => http и т. Д. На странице Википедии перечислены многие из них.

Есть любимый способ сделать это на Java? Возможно, библиотека ( Nutch ?), Но я открыт. Чем меньше и меньше зависимостей, тем лучше.

Пока что я что-нибудь кодирую и буду следить за этим вопросом.

РЕДАКТИРОВАТЬ : Я хочу агрессивно нормализовать подсчет URL-адресов как одинаковых, если они ссылаются на один и тот же контент. Например, я игнорирую параметры utm_source, utm_medium, utm_campaign. Например, я игнорирую поддомен, если заголовок совпадает.

Answer 1

Вы смотрели на класс URI?

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

Answer 2

Я нашел этот вопрос вчера вечером, но я не нашел ответа, поэтому решил сам. Вот если кто-то в будущем захочет этого:

/**
 * - 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;
        }
    }
}

Answer 3

Библиотека RL: https://github.com/backchatio/rl выходит далеко за рамки java.net.URL.normalize (). Это в Scala, но я думаю, что он должен быть применим из Java.

Answer 4

Нет, в стандартных библиотеках ничего нет для этого. Канонизация включает в себя такие вещи, как декодирование ненужно закодированных символов, преобразование имен хостов в строчные и т. Д.

например. http://ACME.com/./foo%26bar становится:

http://acme.com/foo&bar

URI normalize() делает , а не делает это.

Answer 5

Поскольку вы также хотите идентифицировать URL-адреса, относящиеся к одному и тому же контенту, я нашел этот документ из WWW2007 довольно интересным: Не сканировать в DUST: разные URL-адреса с одинаковым текстом . Это дает вам хороший теоретический подход.

Answer 6

В Java нормализовать URL вручную

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`

Класс URL Java имеет все виды методов для анализа любой части URL.

Answer 7

Вы можете сделать это с помощью Restlet framework, используя Reference.normalize(). Вы также должны иметь возможность удалять ненужные элементы с помощью этого класса.

Answer 8

У меня есть простой способ решить это.Вот мой код

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