Экспортталған HTML домен атауы өзгертілді. Неліктен суреттер мен сілтемелер бұзылған?
urljoin эталоны бастапқы бет URL мекенжайы болуы керек. Файл URL мекенжайын каталогқа өзгерту үшін қиғаш сызықтарды қосу мүмкін емес. Бұл мысал тек a[href] және img[src] өңдейді және CSS, srcset немесе негізгі тегтерді қайта анықтамайды; URL мекенжайларын қайта жазу HTML қауіпсіз тазарту емес.
Экспортталған HTML жаңа домен атауына тасымалданғаннан кейін кескіндер мен сілтемелер жарамсыз болады. Бұл ескі құжаттарды, викилерді немесе сайттарды ұйымдастыру кезінде көптеген командалар кездесетін мәселе. Мұндай мәселе көбінесе ресурстың шынымен жоғалуы емес, салыстырмалы жолдың бастапқы талдау контекстін жоғалтуы болып табылады.
Бұл мақала торапты тасымалдауға, статикалық экспортқа немесе сілтемелерді топтамалық қайта жазуға жауапты әзірлеушілер мен құжаттама инженерлері үшін қолайлы. Оқып болғаннан кейін, сіз қандай сілтемелерді қайта жазу керектігін, қайсысын сақтау керектігін және қандай сценарийлерде автоматтандырылған сценарийлер қолмен қабылдауды алмастыра алмайтынын біле аласыз.
Төмендегі мысалдар тек оқу демонстрациялары болып табылады және оларды өндіріс деңгейіндегі шешімдер ретінде тікелей пайдалану мүмкін емес. Оның тексеру көлемі мен шекаралары да мәтінде түсіндіріледі.
Көшіруден кейін суреттер мен сілтемелер неге бұзылады? Бір сөйлемнен қорытынды
Жарамсыз кескіндер мен сілтемелер әдетте талдау контекстінің жоғалуынан туындайды. Қайта жазу кезінде бастапқы беттің URL мекенжайы негізгі сызық ретінде пайдаланылуы керек және тек айқын атрибуттар өңделуі керек.
| сіздің жағдайыңыз | Ұсынылатын тәжірибелер | себебі |
|---|---|---|
| Файл бетінің URL мекенжайы | Түпнұсқа бастапқы сызықты сақтаңыз | Соқыр қиғаш сызықты қоспаңыз, әйтпесе файл URL мекенжайы каталогқа өзгертіледі. |
| CSS, srcset немесе негізгі тегтерді өңдеуді талап етеді | Бұл мысал мұны қамтымайды және оны бөлек өңдеу қажет. | Мысал тек a[href] және img[src] өңдейді |
| фрагмент якорь | Бұл бетке сілтеме жасаңыз | Қашықтағы бетке өзгертуді мәжбүрлемеңіз |
| Сценарий протоколымен байланыстыру | Бұл атрибутты мысалдан алып тастаңыз | URL мекенжайларын қайта жазу HTML қауіпсіздігін тазартуға тең емес. Толық HTML әлі де қауіпсіздікті тазартуды қажет етеді. |
| Shadow DOM ішінде JavaScript жасалған сілтемелер немесе сілтемелер | Шынайы браузер ортасында қабылдау | BeautifulSoup бұл мазмұнды ұстай алмайды |
Неліктен салыстырмалы жол сәтсіз аяқталады?
Тәуелділік контекстін талдау
Кәсіпорындар ішкі құжаттарды, викилерді немесе бұрынғы сайттарды жаңа домендік атқа көшіргенде, бұзылған кескіндер мен қате сілтемелерді қайта бағыттау жиі кездеседі. Бұл әдетте ресурс жоғалуы емес, талдау контекстінің жоғалуы.
Браузерлер салыстырмалы жолдарды (мысалы, images/logo.png) шешкенде, олар RFC 3986 стандартын орындайды:
- Алдымен
<base href="...">тегтерін іздеңіз. <base>болмаса, ол құжаттың ағымдағы URL мекенжайы негізінде есептеледі.
Экспортталған статикалық HTML дұрыс <base> тегімен енгізілмесе немесе бастапқы каталог құрылымынан ауытқымаса, барлық салыстырмалы сілтемелер жаңа домен атауының түбірлік каталогын немесе ағымдағы бет жолын көрсетеді, нәтижесінде 404-ресурс пайда болады.
urljoin және негізгі тегтер арасындағы семантикалық айырмашылықтар
urljoin әдепкі әрекеті
urllib.parse.urljoin(base, url) сілтемені қайта жазуды өңдейтін негізгі құрал болып табылады, бірақ браузерлердің <base> тегін түсіндіру жолында нәзік айырмашылықтар бар. Көптеген сценарийлер «түзетеді және бұзады» көбінесе осыдан туындайды.
urljoinәдепкі бойыншаbaseмәні/деп аяқталмаса, "файл жолы" ретінде.- Мысалы,
urljoin("https://new.com/docs", "img.png")күтілгендейhttps://new.com/docs/img.pngемес,https://new.com/img.png(құжаттар файл атаулары ретінде жойылады) нәтижесін береді.
Негізгі URL мекенжайларын стандарттау
HTML <base> тегі сонымен қатар браузерлердегі файлдар мен каталогтарды ажырату үшін қиғаш сызықтарға сүйенеді, бірақ оның стандартты емес енгізу үшін қатеге төзімділігі сәл жоғары. Бағдарламалық өңдеуде кіріс белгілі бір сипаттамаларға ие деп болжауға болмайды, сондықтан алдын ала өңдеу urljoin шақыру алдында орындалуы керек:
- Схема заңды екенін тексеріңіз.
- Каталог ретінде расталған деректерге
/жұрнағын қосыңыз. Файл бетінің URL мекенжайлары бастапқы негізін сақтауы керек. - Нөл мәндерді сүзіңіз.
Сенімді енгізу ретінде тек стандартталған негізгі URL мекенжайларын пайдалануға болады.
Абсолютті жол және толық сілтеме
/ басталатын абсолютті жолдар немесе толық хаттаманы қамтитын сілтемелер үшін urljoin бастапқы мәнді тікелей қайтарады немесе тек хост атауын ауыстырады. Бұл мүмкіндік оны жолды біріктіруге қарағанда қауіпсіз етеді, бірақ ол сонымен қатар әзірлеушілерден «қайта жазу» және «сақтау» шекараларын нақты ажыратуды талап етеді.
Синтез мысалдары және шекаралық шарттар
Келесі код HTML тіліндегі ресурс сілтемелерін қауіпсіз түрде қайта жазу жолын көрсетеді. Ескертпе: Бұл синтетикалық оқу құралының мысалы, мақсаты өндіріс деңгейінде іске асыруды қамтамасыз ету емес, логиканы көрсету. Мысал файлдық жүйе операциялары мен желілік сұрауларды болдырмай, енгізуді имитациялау үшін жад ішіндегі жолдарды пайдаланады. Код оқшауланған ортадағы үлгі деректерде тексерілді, бірақ бұл оның барлық нақты файлдарда жұмыс істейтінін білдірмейді, оны басқарылатын ортада өзіңіз растаңыз.
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
Қабылдау критерийлері және қолмен тексеру шекаралары
Автоматтандырылған сценарийлер жолды қосудың механикалық мәселелерін түзете алады, бірақ олар іскери семантика бойынша пікірді алмастыра алмайды. Төмендегі кестеде командаға "код шешілетін" және "қолмен араласуды қажет ететін" сценарийлерді ажыратуға көмектесетін жалпы ерекшеліктер мен өңдеу шешімдері берілген.
Қолданбайды: Бұл әдіс тек статикалық HTML төлсипатын қайта жазуға қолданылады. BeautifulSoup JavaScript орындалу уақыты арқылы жасалған сілтемелерді, Shadow DOM ішіндегі сілтемелерді, CSS background-image ішіндегі URL мекенжайларын немесе Canvas/WebGL текстура жолдарын ұстай алмайды. Бұл жағдайлар нақты шолғыш ортасында қабылдауды немесе Playwright немесе Puppeteer көмегімен түпкілікті визуалды регрессияны тексеруді талап етеді. Кодты көрсету жеткізу сапасына тең емес және қабылдау пайдаланушы агентінің көрсету нәтижелеріне негізделуі керек.
Келесі қадамдар ұсынылады
- CI/CD құбырына сілтемені қайта жазғаннан кейін бекітуді тексеруді қосыңыз.
- Ресурстардың қолжетімділігін тексеру үшін тарихи экспорттық құжаттардың үлгілерін алу.
- Егер сіз динамикалық мазмұнды байланыстыру мәселелеріне жиі тап болсаңыз, визуалды регрессияны тексеру үшін басы жоқ шолғышты енгізу қажеттілігін бағалаңыз.
Кез келген автоматтандырылған түзетуді қолмен тексеруді ауыстыру емес, көмек ретінде қарастыру керек.
📊 Негізгі салыстыру
| Енгізу пішіні | Urljoin қалай өңдеуге болады | Назар аударатын нүктелер |
|---|---|---|
/-мен аяқталмайтын эталондар (мысалы, docs) | Соңғы абзац файл атауы ретінде жойылады | Нәтиже күтілетін каталогқа апаратын жолдың орнына https://new.com/img.png болуы мүмкін (құжаттар файл атауы ретінде жойылады) |
/ басталатын абсолютті жол | Бастапқы мәнді тікелей қайтарыңыз немесе тек хост атауын ауыстырыңыз | Жолды біріктіруге қарағанда қауіпсіз |
| Толық келісімге сілтеме | Бастапқы мәнді тікелей қайтарыңыз немесе тек хост атауын ауыстырыңыз | Қайта жазу мен сақтау арасындағы шекараларды нақты ажырату қажет |
🎯 Сізге қай әдіс қолайлы?
егер сіз……
- Статикалық экспортталған HTML тасымалдау үшін: Алдымен әрбір беттің негізгі URL мекенжайы файл немесе каталог екенін растаңыз, содан кейін қиғаш сызықты қосу-қосу керектігін шешіңіз.
- Тек
a[href]жәнеimg[src]өңдеу керек: Осы мақаладағы мысалға сілтеме жасай аласыз, бірақ CSS, srcset және<base>қамтылмағанын есте сақтаңыз. - Бет негізінен JavaScript-ке сүйенеді: Статикалық қайта жазуға ғана сеніп қана қоймай, нақты браузерде қабылдауды орындау керек.
- Бет қауіпсіздігін қамтамасыз ету қажет: URL мекенжайын қайта жазу HTML қауіпсіздігін тазалауға тең емес, сценарийлер сияқты қауіпті мазмұнды да бөлек өңдеу қажет.
❓ Жиі қойылатын сұрақтар (ЖҚС)
1. urljoin неге каталог жолының соңғы сегментін алып тастайды?
urljoin әдепкі бойынша файл жолы ретінде / аяқталмайтын base болғандықтан, соңғы сегмент файл атауы ретінде жойылады. Мысалы, urljoin("https://new.com/docs", "img.png") нәтижесі https://new.com/img.png болады (құжаттар файл атауы ретінде жойылады).
2. Барлық негізгі URL мекенжайларына соңғы қиғаш сызықтарды тікелей қосуға болады ма?
Ұсынылмайды. Қиғаш сызықтарды қосу файл түріндегі бет URL мекенжайын каталог ретінде қате бағалап, салыстырмалы жолдар үшін қате талдау нәтижелеріне әкеледі. Алдымен сілтеменің файл немесе каталог екенін анықтап, каталог екендігі расталған сілтемеге тек қиғаш сызықтарды қосу керек.
3. URL мекенжайын қайта жазғаннан кейін HTML қауіпсіз бе?
жоқ. URL мекенжайын қайта жазу HTML қауіпсіздігін тазартуға тең емес. Сценарий протоколының төлсипаты мысалда жойылған, бірақ толық HTML қауіпсіздігі әлі де бөлек қарастырылуы керек.
4. Бұл сценарий арқылы қандай сілтемелерді жөндеу мүмкін емес?
JavaScript орындалу уақыты арқылы жасалған сілтемелер, Shadow DOM ішіндегі сілтемелер, CSS background-image ішіндегі URL мекенжайлары және Canvas немесе WebGL текстура жолдары тұрақты HTML төлсипатын қайта анықтау арқылы қайта анықталмайды және нақты браузер ортасында қабылдауды талап етеді.
Анықтамалар
- Әдемі сорпаның ресми құжаттамасы - Атрибуттар
- Python urllib.parse.urljoin құжаттамасы
- RFC 3986 URI Generic Syntax
📝 Түйіндеме
HTML экспорттау және домен атауларын өзгерту кезінде кескіндер мен сілтемелер жарамсыз болады. Кілт салыстырмалы жолдарды талдау эталонында жатыр. Түпнұсқа беттің URL мекенжайын бастапқы сызық ретінде пайдалану, стандарттау және сценарий қамтуын нақтылау арқылы мәселелерді қолайлы шекараларда сақтай аласыз.


