Python:如何解析包含 '..' 的 URL

Question

我需要唯一标识和存储一些 URL。问题是有时它们会包含“..”，例如 http://somedomain.com/foo/bar/../../some/url 基本上是 http://somedomain.com/some/url 如果我没记错的话。

是否有 Python 函数或巧妙的方法来解析此 URL？

Answer 1

有一个使用 urllib.parse.urljoin 的简单解决方案:

>>> from urllib.parse import urljoin
>>> urljoin('http://www.example.com/foo/bar/../../baz/bux/', '.')
'http://www.example.com/baz/bux/'

但是，如果没有尾部斜线(最后一个组件是文件，而不是目录)，最后一个组件将被删除。

此修复程序使用 urlparse 函数提取路径，然后使用(的 posixpath 版本)os.path标准化组件。补偿 a mysterious issue with trailing slashes ，然后将 URL 重新连接在一起。以下是 doctestable:

from urllib.parse import urlparse
import posixpath

def resolve_components(url):
    """
    >>> resolve_components('http://www.example.com/foo/bar/../../baz/bux/')
    'http://www.example.com/baz/bux/'
    >>> resolve_components('http://www.example.com/some/path/../file.ext')
    'http://www.example.com/some/file.ext'
    """
    parsed = urlparse(url)
    new_path = posixpath.normpath(parsed.path)
    if parsed.path.endswith('/'):
        # Compensate for issue1707768
        new_path += '/'
    cleaned = parsed._replace(path=new_path)
    return cleaned.geturl()