エクスポートされた HTML のドメイン名が変更されました。画像やリンクが切れているのはなぜですか?
urljoin のベンチマークは元のページの URL である必要があります。スラッシュを追加してファイル URL をディレクトリに変更することはできません。この例では、a[href] と img[src] のみを処理し、CSS、srcset、または基本タグをオーバーライドしません。 URL の書き換えは HTML の安全なサニタイズではありません。
・サンプルは合成サンプルであり、サンプル検査に合格したからといってすべての実ファイルが保証されるものではありません。
エクスポートされた HTML が新しいドメイン名に移行されると、画像とリンクは無効になります。これは、古い文書、Wiki、サイトを整理するときに多くのチームが遭遇する問題です。この種の問題は、多くの場合、実際にリソースが失われるのではなく、相対パスが元の解析コンテキストを失うことが原因です。
この記事は、サイトの移行、静的エクスポート、またはリンクの一括書き換えを担当する開発者およびドキュメント エンジニアに適しています。読んだ後は、どのリンクを書き換えるべきか、どのリンクを保持すべきかを判断し、どのシナリオで自動スクリプトが手動による受け入れを置き換えることができないかを知ることができます。
以下の例は単なる教育用のデモンストレーションであり、運用レベルのソリューションとして直接使用することはできません。その検証範囲と境界についても本文中で説明します。
移行後に写真とリンクが壊れるのはなぜですか?一文の結論
無効な画像とリンクは、通常、解析コンテキストの損失によって発生します。書き換えるときは、元のページ URL をベースラインとして使用し、明示的な属性のみを処理する必要があります。
| あなたの状況 | 推奨される実践方法 | 理由 |
|---|---|---|
| ファイルページのURL | 元のベースラインを維持する | 末尾にスラッシュをむやみに追加しないでください。追加すると、ファイル URL がディレクトリに変更されます。 |
| CSS、srcset、またはベースタグの処理が必要 | この例ではこれについては説明されていないため、個別に処理する必要があります。 | この例では、a[href] と img[src] のみを処理します。 |
| フラグメントアンカー | このページを参照し続ける | リモートページに強制的に変更しないでください |
| スクリプトプロトコルとの連携 | この属性を例から削除します | URL の書き換えは、HTML セキュリティのサニタイズと同等ではありません。完全な HTML は安全にサニタイズする必要があります。 |
| JavaScript によって生成された Shadow DOM 内のリンクまたは参照 | 実ブラウザ環境での受付 | BeautifulSoup はこのコンテンツに触れることはできません |
相対パスが失敗するのはなぜですか?
依存関係コンテキストを解析する
企業が内部文書、Wiki、または従来のサイトを新しいドメイン名に移行する場合、破損した画像や誤ったリンクのリダイレクトがよく発生します。これは通常、リソースの損失ではなく、解析コンテキストの損失です。
ブラウザーが相対パス (images/logo.png など)を解決する場合、RFC 3986 標準に従います。
- 最初に
<base href="...">タグを探します。 <base>が存在しない場合は、現在のドキュメント URL に基づいて計算されます。
エクスポートされた静的 HTML に正しい <base> タグが挿入されておらず、元のディレクトリ構造から逸脱していない場合、すべての相対参照は新しいドメイン名のルート ディレクトリまたは現在のページ パスを指すことになり、リソース 404 が発生します。
urljoin タグとベースタグのセマンティクスの違い
urljoin のデフォルトの動作
urllib.parse.urljoin(base, url) はリンクの書き換えを処理するコア ツールですが、ブラウザーが <base> タグを解釈する方法には微妙な違いがあります。多くのスクリプトの「修正と破壊」は、多くの場合、これに起因します。
urljoinは、/で終わらない限り、「ファイル パス」としてデフォルトでbaseになります。- たとえば、
urljoin("https://new.com/docs", "img.png")の結果は、期待どおりのhttps://new.com/docs/img.pngではなく、https://new.com/img.png(ドキュメントはファイル名として破棄されます)になります。
ベース URL の標準化
HTML <base> タグも、ブラウザーでファイルとディレクトリを区別するために末尾のスラッシュに依存しますが、非標準入力に対するエラー耐性がわずかに高くなります。プログラムによる処理では、入力が特定の仕様のものであると想定できないため、urljoin を呼び出す前に前処理を行う必要があります。
- スキームが合法かどうかを確認します。
- ディレクトリとして確認されたデータにサフィックス
/を追加します。ファイル ページの URL は元のベースを保持する必要があります。 - NULL 値を除外します。
信頼できる入力として使用できるのは、標準化されたベース URL のみです。
絶対パスと完全なリンク
/ で始まる絶対パス、または完全なプロトコルを含むリンクの場合、urljoin は元の値を直接返すか、ホスト名のみを置き換えます。この機能により、文字列の連結よりも安全になりますが、開発者は「書き換え」と「保存」の境界を明確に区別する必要もあります。
合成例と境界条件
次のコードは、HTML 内のリソース リンクを安全に書き換える方法を示しています。 注: これは合成チュートリアルの例です。目的はロジックを示すことであり、運用レベルの実装を提供することではありません。この例では、メモリ内の文字列を使用して入力をシミュレートし、ファイル システム操作とネットワーク リクエストを回避します。コードは隔離された環境のサンプル データでチェックされていますが、実際のすべてのファイルで動作するという意味ではありません。制御された環境でご自身で検証してください。
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
受け入れ基準と手動レビューの境界
自動スクリプトは機械的なパスのスプライシングの問題を解決できますが、ビジネス セマンティクスに関する判断に代わることはできません。次の表は、チームが「コード解決可能」シナリオと「手動介入が必要」シナリオを区別するのに役立つ一般的な例外と処理決定を示しています。
適用外: このメソッドは、静的な HTML 属性の書き換えにのみ適用されます。 BeautifulSoup は、JavaScript ランタイムによって生成されたリンク、Shadow DOM 内の参照、CSS background-image 内の URL、または Canvas/WebGL テクスチャ パスに触れることができません。このような状況では、実際のブラウザ環境での受け入れ、または Playwright または Puppeteer を使用したエンドツーエンドのビジュアル回帰テストが必要です。コードのデモンストレーションは配信品質と同等ではないため、受け入れはユーザー エージェントのレンダリング結果に基づく必要があります。
推奨される次のステップ
- CI/CD パイプラインへのリンク書き換え後のアサーション チェックを追加します。
- リソースのアクセス可能性を検証するために、過去のエクスポート文書をサンプリングします。
- 動的コンテンツのリンクの問題が頻繁に発生する場合は、ビジュアル回帰テストのためにヘッドレス ブラウザを導入する必要性を評価します。
自動修復は手動レビューに代わるものではなく、補助として考慮される必要があります。
📊 コアの比較
| 入力フォーム | URLJOINの扱い方 | 注意事項 |
|---|---|---|
/ で終わらないベンチマーク (docs など) | 最後の段落はファイル名として破棄されます | 結果は、予期されたディレクトリへのパスではなく、https://new.com/img.png (ドキュメントはファイル名として破棄されます)になる場合があります。 |
/で始まる絶対パス | 元の値を直接返すか、ホスト名のみを置き換えます | 文字列連結より安全 |
| 完全な同意へのリンク | 元の値を直接返すか、ホスト名のみを置き換えます | 書き換えと保持の境界を明確に区別する必要がある |
🎯 どの方法があなたに適していますか?
もしあなたが……
- 静的にエクスポートされた HTML を移行する場合: まず、各ページのベース URL がファイルであるかディレクトリであるかを確認し、スラッシュを追加するかどうかを決定します。
a[href]とimg[src]のみを処理する必要があります: この記事の例を参照できますが、CSS、srcset、および<base>はカバーされていないことに注意してください。- ページは JavaScript に大きく依存しています: 静的な書き換えだけに依存するのではなく、実際のブラウザーでレンダリングの受け入れを行う必要があります。
- ページのセキュリティを確保する必要があります: URL の書き換えは HTML のセキュリティ浄化と同等ではなく、スクリプトなどの危険なコンテンツも個別に処理する必要があります。
❓ よくある質問 (FAQ)
1. urljoin がディレクトリ パスの最後のセグメントを破棄するのはなぜですか?
urljoin のデフォルトは、ファイル パスとして / で終わらない base であるため、最後のセグメントはファイル名として破棄されます。たとえば、urljoin("https://new.com/docs", "img.png") の結果は https://new.com/img.png になります (docs はファイル名として破棄されます)。
2. すべてのベース URL に末尾のスラッシュを直接追加できますか?
お勧めしません。スラッシュを追加すると、ファイル タイプのページ URL がディレクトリであると誤判断され、相対パスの解析結果が正しくなくなります。まず参照がファイルであるかディレクトリであるかを判断し、ディレクトリであることが確認された参照にのみスラッシュを追加する必要があります。
3. URL を書き換えた後の HTML は安全ですか?
いいえ。 URL の書き換えは、HTML セキュリティのサニタイズと同等ではありません。この例ではスクリプト プロトコル属性が削除されていますが、完全な HTML のセキュリティは依然として個別に処理する必要があります。
4. このスクリプトで修復できないリンクはどれですか?
JavaScript ランタイムによって生成されたリンク、Shadow DOM 内の参照、CSS background-image 内の URL、および Canvas または WebGL テクスチャ パスは、静的 HTML 属性のオーバーライドによってオーバーライドできず、実際のブラウザ環境で受け入れる必要があります。
参考文献
📝 概要
HTMLをエクスポートしてドメイン名を変更すると、画像やリンクが無効になります。鍵は相対パスの解析ベンチマークにあります。元のページの URL をベースラインとして使用し、スクリプトの適用範囲を標準化して明確にすることで、問題を許容範囲内に抑えることができます。


