Nama domain HTML yang diekspor telah diubah. Mengapa gambar dan tautannya rusak?

Patokan urljoin harus berupa URL halaman asli. Anda tidak dapat menambahkan garis miring untuk mengubah URL file ke direktori. Contoh ini hanya menangani a[href] dan img[src] dan tidak menimpa tag CSS, srcset, atau base; menulis ulang URL bukanlah sanitasi yang aman untuk HTML.

Setelah HTML yang diekspor dimigrasikan ke nama domain baru, gambar dan tautan menjadi tidak valid. Ini adalah masalah yang dihadapi banyak tim saat mengatur dokumen, wiki, atau situs lama. Masalah seperti ini seringkali bukan karena sumber daya benar-benar hilang, namun karena jalur relatif kehilangan konteks penguraian aslinya.

Artikel ini cocok untuk pengembang dan teknisi dokumentasi yang bertanggung jawab atas migrasi situs, ekspor statis, atau penulisan ulang tautan secara batch. Setelah membaca, Anda dapat menilai tautan mana yang harus ditulis ulang, mana yang harus dipertahankan, dan mengetahui skenario mana yang skrip otomatis tidak dapat menggantikan penerimaan manual.

Contoh di bawah ini hanya mengajarkan demonstrasi dan tidak dapat langsung digunakan sebagai solusi tingkat produksi. Ruang lingkup dan batasan verifikasinya juga akan dijelaskan dalam teks.

Mengapa gambar dan tautan rusak setelah migrasi? Kesimpulan satu kalimat

Gambar dan tautan yang tidak valid biasanya disebabkan oleh hilangnya konteks penguraian. Saat menulis ulang, URL halaman asli harus digunakan sebagai dasar, dan hanya atribut eksplisit yang harus diproses.

situasi AndaPraktik yang direkomendasikanalasan
URL halaman berkasPertahankan garis dasar asliJangan menambahkan garis miring secara membabi buta, jika tidak, URL file akan diubah menjadi direktori
Memerlukan pemrosesan tag CSS, srcset, atau dasarContoh ini tidak mencakup hal ini dan perlu ditangani secara terpisah.Contoh hanya menangani a[href] dan img[src]
jangkar fragmenJaga agar halaman ini tetap dirujukJangan memaksakan perubahan ke halaman jarak jauh
Tautan dengan protokol skripHapus atribut ini dari contohMenulis ulang URL tidak sama dengan sanitasi keamanan HTML. HTML lengkap masih perlu dibersihkan dengan aman.
Tautan atau referensi yang dihasilkan JavaScript dalam Shadow DOMPenerimaan di lingkungan browser nyataBeautifulSoup tidak dapat menyentuh konten ini

Mengapa jalur relatif gagal?

Mengurai konteks ketergantungan

Saat bisnis memigrasikan dokumen internal, wiki, atau situs lama ke nama domain baru, gambar rusak dan pengalihan tautan yang salah sering terjadi. Ini biasanya bukan hilangnya sumber daya, tetapi hilangnya konteks penguraian.

Saat browser menyelesaikan jalur relatif (seperti images/logo.png), browser mengikuti standar RFC 3986:

  • Cari tag <base href="..."> terlebih dahulu.
  • Jika <base> tidak ada, dihitung berdasarkan URL dokumen saat ini.

Jika HTML statis yang diekspor tidak dimasukkan dengan tag <base> yang benar atau menyimpang dari struktur direktori asli, semua referensi relatif akan mengarah ke direktori akar nama domain baru atau jalur halaman saat ini, sehingga menghasilkan sumber daya 404.

Perbedaan semantik antara urljoin dan tag dasar

Perilaku default urljoin

urllib.parse.urljoin(base, url) adalah alat inti yang menangani penulisan ulang tautan, namun ada sedikit perbedaan dalam cara browser menafsirkan tag <base>. Banyak skrip yang "memperbaiki dan merusak" sering kali berasal dari hal ini.

  • urljoin defaultnya adalah base sebagai "jalur file" kecuali diakhiri dengan /.
  • Misalnya, urljoin("https://new.com/docs", "img.png") menghasilkan https://new.com/img.png (dokumen dibuang sebagai nama file), bukan https://new.com/docs/img.png seperti yang diharapkan.

Standarisasi URL dasar

Tag HTML <base> juga mengandalkan garis miring untuk membedakan file dan direktori di browser, namun memiliki toleransi kesalahan yang sedikit lebih tinggi untuk input non-standar. Dalam pemrosesan terprogram, tidak dapat diasumsikan bahwa masukan memiliki spesifikasi tertentu, sehingga prapemrosesan harus dilakukan sebelum memanggil urljoin:

  1. Periksa apakah skema tersebut legal.
  2. Tambahkan akhiran / ke datum yang dikonfirmasi sebagai direktori. URL halaman file harus mempertahankan basis aslinya.
  3. Saring nilai nol.

Hanya URL dasar standar yang dapat digunakan sebagai masukan yang andal.

Jalur absolut dan tautan lengkap

Untuk jalur absolut yang dimulai dengan /, atau tautan yang berisi protokol lengkap, urljoin mengembalikan nilai asli secara langsung atau hanya mengganti nama host. Fitur ini membuatnya lebih aman daripada penggabungan string, namun juga mengharuskan pengembang untuk membedakan dengan jelas antara batasan "menulis ulang" dan "mempertahankan".

Contoh sintesis dan kondisi batas

Kode berikut menunjukkan cara menulis ulang tautan sumber daya dengan aman dalam HTML. Catatan: Ini adalah contoh tutorial sintetis, tujuannya adalah untuk mendemonstrasikan logika, bukan untuk menyediakan implementasi tingkat produksi. Contoh ini menggunakan string dalam memori untuk mensimulasikan input, menghindari operasi sistem file dan permintaan jaringan. Kode telah diperiksa pada data sampel di lingkungan yang terisolasi, tetapi ini tidak berarti kode akan berfungsi pada semua file sebenarnya, harap verifikasi sendiri di lingkungan yang terkendali.

from urllib.parse import urljoin, urlsplit
from bs4 import BeautifulSoup
def rewrite(markup, page_url):
    soup = BeautifulSoup(markup, "html.parser")
    for tag, attr in [("a", "href"), ("img", "src")]:
        for node in soup.find_all(tag):
            value = node.get(attr)
            if not value or value.startswith("#"):
                continue
            result = urljoin(page_url, value)
            if urlsplit(result).scheme not in {"https", "http"}:
                del node[attr]
            else:
                node[attr] = result
    return soup
result = rewrite('<img src="logo.png"><a href="../guide/">Guide</a><a href="#top">Top</a><a href="javascript:alert(1)">Bad</a>', "https://example.com/docs/page.html")
assert result.img["src"] == "https://example.com/docs/logo.png"
assert result.find_all("a")[0]["href"] == "https://example.com/guide/"
assert result.find_all("a")[1]["href"] == "#top"
assert "href" not in result.find_all("a")[2].attrs

Kriteria penerimaan dan batasan tinjauan manual

Skrip otomatis dapat memperbaiki masalah penyambungan jalur mekanis, namun tidak dapat menggantikan penilaian terhadap semantik bisnis. Tabel berikut mencantumkan pengecualian umum dan keputusan penanganan untuk membantu tim membedakan antara skenario "yang dapat dipecahkan kode" dan "memerlukan intervensi manual".

Tidak berlaku: Metode ini hanya berlaku untuk penulisan ulang atribut HTML statis. BeautifulSoup tidak dapat menyentuh tautan yang dihasilkan oleh runtime JavaScript, referensi dalam Shadow DOM, URL dalam CSS background-image, atau jalur tekstur Canvas/WebGL. Situasi ini memerlukan penerimaan di lingkungan browser nyata, atau pengujian regresi visual menyeluruh menggunakan Penulis Drama atau Dalang. Demonstrasi kode tidak sama dengan kualitas pengiriman, dan penerimaan harus didasarkan pada hasil rendering dari agen pengguna.

Rekomendasi langkah selanjutnya

  • Tambahkan pemeriksaan pernyataan setelah penulisan ulang tautan ke saluran CI/CD.
  • Pengambilan sampel dokumen ekspor historis untuk memverifikasi aksesibilitas sumber daya.
  • Jika Anda sering mengalami masalah penautan konten dinamis, evaluasi perlunya memperkenalkan browser tanpa kepala untuk pengujian regresi visual.

Remediasi otomatis apa pun harus dianggap sebagai bantuan dan bukan pengganti tinjauan manual.

📊 Perbandingan inti

Formulir masukanBagaimana menangani urljoinHal-hal yang perlu diperhatikan
Tolok ukur yang tidak diakhiri dengan / (seperti docs)Paragraf terakhir dibuang sebagai nama fileHasilnya mungkin https://new.com/img.png (dokumen dibuang sebagai nama file) alih-alih jalur ke direktori yang diharapkan
Jalur absolut dimulai dengan /Kembalikan nilai asli secara langsung atau ganti nama host sajaLebih aman daripada penggabungan string
Tautan ke persetujuan penuhKembalikan nilai asli secara langsung atau ganti nama host sajaBatasan antara penulisan ulang dan retensi perlu dibedakan dengan jelas

🎯 Metode mana yang cocok untuk Anda?

jika kamu……

  • Untuk memigrasikan HTML yang diekspor secara statis: Konfirmasikan terlebih dahulu apakah URL dasar setiap halaman adalah file atau direktori, lalu putuskan apakah akan menambahkan garis miring.
  • Hanya a[href] dan img[src] yang perlu ditangani: Anda dapat merujuk pada contoh di artikel ini, namun ingat bahwa CSS, srcset, dan <base> tidak tercakup.
  • Halaman ini sangat bergantung pada JavaScript: Jangan hanya mengandalkan penulisan ulang statis, Anda harus melakukan penerimaan rendering di browser sebenarnya.
  • Keamanan halaman perlu dipastikan: Penulisan ulang URL tidak sama dengan pemurnian keamanan HTML, dan konten berisiko seperti skrip juga perlu diproses secara terpisah.

❓ Pertanyaan yang Sering Diajukan (FAQ)

1. Mengapa urljoin membuang segmen terakhir jalur direktori?

Karena urljoin defaultnya adalah base yang tidak diakhiri dengan / sebagai jalur file, segmen terakhir akan dibuang sebagai nama file. Misalnya, hasil urljoin("https://new.com/docs", "img.png") adalah https://new.com/img.png (dokumen dibuang sebagai nama file).

2. Bisakah Anda langsung menambahkan garis miring ke semua URL dasar?

Tidak direkomendasikan. Menambahkan garis miring akan salah menilai URL halaman jenis file sebagai direktori, sehingga menghasilkan hasil penguraian yang salah untuk jalur relatif. Anda harus terlebih dahulu menentukan apakah referensinya berupa file atau direktori, dan hanya menambahkan garis miring pada referensi yang dipastikan merupakan direktori.

3. Setelah menulis ulang URL, apakah HTML aman?

TIDAK. Penulisan ulang URL tidak sama dengan sanitasi keamanan HTML. Atribut protokol skrip dihilangkan dalam contoh, namun keamanan HTML lengkap masih perlu ditangani secara terpisah.

4. Tautan manakah yang tidak dapat diperbaiki oleh skrip ini?

Tautan yang dihasilkan oleh runtime JavaScript, referensi dalam Shadow DOM, URL dalam CSS background-image, dan jalur tekstur Canvas atau WebGL tidak dapat diganti dengan penggantian atribut HTML statis dan memerlukan penerimaan di lingkungan browser nyata.

Referensi

📝 Ringkasan

Saat mengekspor HTML dan mengubah nama domain, gambar dan tautan menjadi tidak valid. Kuncinya terletak pada parsing benchmark jalur relatif. Dengan menggunakan URL halaman asli sebagai dasar, standarisasi, dan memperjelas cakupan skrip, Anda dapat menjaga masalah dalam batas yang dapat diterima.

Coba sekarang: Unggah dokumen untuk memulai penerjemahan, dengan tetap mempertahankan tata letak aslinya

Diperbarui 2026-11-15