Какие символы безопасны для создания URL-адресов?

Чтобы процитировать раздел 2.3 RFC 3986:

Символы, которые разрешены в URI, но не имеют зарезервированного назначения, называются незарезервированными. К ним относятся прописные и строчные буквы, десятичные цифры, дефис, точка, подчеркивание и тильда.

  ALPHA  DIGIT  "-" / "." / "_" / "~"

Обратите внимание, что RFC 3986 содержит меньше зарезервированных знаков препинания, чем более старый RFC 2396.

Обратите внимание на два набора символов: зарезервировано и небезопасно.

Зарезервированные символы:

• амперсанд (&)
• доллар ($)
• знак плюс (+)
• запятая (,)
• косая черта (/)
• двоеточие (:)
• точка с запятой (;)
• равно (=)
• вопросительный знак (?)
• Символ 'At' (@)
• фунт (#).

Небезопасными обычно считаются следующие символы:

• Космос ( )
• меньше и больше (‹›)
• открывающие и закрывающие скобки ([])
• открывающие и закрывающие фигурные скобки ({})
• труба (|)
• обратная косая черта ()
• каретка (^)
• процентов (%)

Возможно, я забыл один или несколько, из-за чего я повторяю Ответ Карла V. В конечном итоге вам, вероятно, будет лучше использовать белый список разрешенных символов и затем кодировать строку, чем пытаться быть в курсе символов, которые запрещены серверами и системами.

Всегда в безопасности

Теоретически и согласно спецификации они безопасны практически везде, кроме доменного имени. Процентное кодирование всего, чего нет в списке, и готово.

    A-Z a-z 0-9 - . _ ~ ( ) ' ! * : @ , ;

Иногда безопасно

Безопасно только при использовании в определенных компонентах URL; используйте с осторожностью.

    Paths:     + & =
    Queries:   ? /
    Fragments: ? / # + & =
    

Никогда не безопасно

Согласно спецификации URI (RFC 3986), все остальные символы должны быть закодированы в процентах. Это включает:

    <space> <control-characters> <extended-ascii> <unicode>
    % < > [ ] { } | \ ^
    

Если максимальная совместимость вызывает беспокойство, ограничьте набор символов A-Z a-z 0-9 - _. (с точками только для расширений файлов).

Помните о контексте

Даже если он действителен в соответствии со спецификацией, URL-адрес может быть небезопасным в зависимости от контекста. Например, URL-адрес file: ///, содержащий недопустимые символы имени файла, или компонент запроса, содержащий?, = И &, если он не используется в качестве разделителей. Правильная обработка этих случаев, как правило, зависит от ваших сценариев, и ее можно обойти, но об этом следует помнить.

Лучше оставить только некоторые символы (белый список) вместо удаления определенных символов (черный список).

Технически вы можете разрешить любой символ, если вы правильно его кодируете. Но, чтобы ответить в духе вопроса, вы должны разрешить только эти символы:

1. Строчные буквы (преобразование верхнего регистра в нижний)
2. Цифры от 0 до 9
3. Тире - или подчеркивание _
4. Тильда ~

Все остальное имеет потенциально особое значение. Например, вы можете подумать, что можете использовать +, но его можно заменить пробелом. & тоже опасно, особенно при использовании некоторых правил перезаписи.

Как и в случае с другими комментариями, ознакомьтесь со стандартами и спецификациями для получения полной информации.

Глядя на RFC3986 - Uniform Resource Identifier (URI): Generic Syntax, ваш вопрос вращается вокруг путь в URI.

    foo://example.com:8042/over/there?name=ferret#nose
     \_/   \______________/\_________/ \_________/ \__/
      |           |            |            |        |
   scheme     authority       path        query   fragment
      |   _____________________|__
     / \ /                        \
     urn:example:animal:ferret:nose

Ссылаясь на раздел 3.3, допустимые символы для URI segment имеют тип pchar:

pchar = unreserved / pct-encoded / sub-delims / ":" / "@"

Что разбивается на:

ALPHA / DIGIT / "-" / "." / "_" / "~"

pct-encoded

"!" / "$" / "&" / "'" / "(" / ")" / "*" / "+" / "," / ";" / "="

":" / "@"

Или другими словами: вы можете использовать любой (не контрольный) символ из таблица ASCII, кроме /, ?, #, [ и ].

Это понимание поддерживается RFC1738 - Uniform Resource Locators (URL).

Из контекста, который вы описываете, я подозреваю, что то, что вы на самом деле пытаетесь сделать, называется «SEO-слагом». Лучшая общеизвестная практика для них:

1. Преобразовать в нижний регистр
2. Преобразование целых последовательностей символов, кроме a-z и 0-9, в один дефис (-) (без подчеркивания)
3. Удалите из URL-адреса "стоп-слова", т. Е. Бессмысленно индексируемые слова, такие как "a", "an" и "the"; Стоп-слова Google для обширных списков

Так, например, статья под названием «Использование! @% $ * Для представления ругательств в комиксах» получит фрагмент «использование-представлять-ругательства-комиксы».

unreserved = АЛЬФА / ЦИФРА / "-" / "." / "_" / "~"

Формат URI определен в RFC 3986. См. Подробности в разделе 3.3.

С точки зрения SEO дефисы предпочтительнее подчеркивания. Преобразуйте в нижний регистр, удалите все апострофы, затем замените все не буквенно-цифровые строки символов одним дефисом. Обрежьте лишние дефисы в начале и в конце.

У меня была похожая проблема. Я хотел иметь красивые URL-адреса и пришел к выводу, что я должен разрешать в URL-адресах только буквы, цифры и _.

Это нормально, но потом я написал красивое регулярное выражение и понял, что он распознает, что все символы UTF-8 не являются буквами в .NET, и был запутан. Похоже, это известная проблема для механизма регулярных выражений .NET. Итак, я пришел к такому решению:

private static string GetTitleForUrlDisplay(string title)
{
    if (!string.IsNullOrEmpty(title))
    {
        return Regex.Replace(Regex.Replace(title, @"[^A-Za-z0-9_-]", new MatchEvaluator(CharacterTester)).Replace(' ', '-').TrimStart('-').TrimEnd('-'), "[-]+", "-").ToLower();
    }
    return string.Empty;
}


/// <summary>
/// All characters that do not match the patter, will get to this method, i.e. useful for Unicode characters, because
/// .NET implementation of regex do not handle Unicode characters. So we use char.IsLetterOrDigit() which works nicely and we
/// return what we approve and return - for everything else.
/// </summary>
/// <param name="m"></param>
/// <returns></returns>
private static string CharacterTester(Match m)
{
    string x = m.ToString();
    if (x.Length > 0 && char.IsLetterOrDigit(x[0]))
    {
        return x.ToLower();
    }
    else
    {
        return "-";
    }
}

Я обнаружил, что очень полезно закодировать свой URL-адрес в безопасный, когда я возвращал значение через Ajax / PHP в URL-адрес, который затем снова читался страницей.

Вывод PHP с кодировщиком URL для специального символа &:

// PHP returning the success information of an Ajax request
echo "".str_replace('&', '%26', $_POST['name']) . " category was changed";

// JavaScript sending the value to the URL
window.location.href = 'time.php?return=updated&val=' + msg;

// JavaScript/PHP executing the function printing the value of the URL,
// now with the text normally lost in space because of the reserved & character.

setTimeout("infoApp('updated','<?php echo $_GET['val'];?>');", 360);

Я думаю, вы ищете что-то вроде кодирования URL - кодирования URL так, чтобы он безопасно для использования в Интернете:

Вот ссылка на это. Если вам не нужны специальные символы, просто удалите те, которые требуют кодировки URL:

Справочник по кодированию URL-адресов HTML

От 3 до 50 символов. Может содержать строчные буквы, цифры и специальные символы - точку (.), Тире (-), подчеркивание (_) и со ставкой (@).