निर्यात केलेल्या HTML चे डोमेन नाव बदलले आहे. चित्रे आणि दुवे का तुटले आहेत?
urljoin चा बेंचमार्क मूळ पृष्ठ URL असावा. फाइल URL डिरेक्ट्रीमध्ये बदलण्यासाठी तुम्ही स्लॅश जोडू शकत नाही. हे उदाहरण फक्त a[href] आणि img[src] हाताळते आणि CSS, srcset किंवा बेस टॅग ओव्हरराइड करत नाही; URL पुन्हा लिहिणे म्हणजे HTML सुरक्षित स्वच्छता नाही.
निर्यात केलेले HTML नवीन डोमेन नावावर स्थलांतरित केल्यानंतर, प्रतिमा आणि दुवे अवैध होतात. जुने दस्तऐवज, विकी किंवा साइट आयोजित करताना अनेक संघांना ही समस्या येते. या प्रकारची समस्या सहसा संसाधन खरोखर गमावली नाही, परंतु संबंधित मार्ग त्याच्या मूळ पार्सिंग संदर्भ गमावते.
हा लेख साइट स्थलांतर, स्थिर निर्यात किंवा दुव्यांचे बॅच पुनर्लेखन यासाठी जबाबदार असलेल्या विकासक आणि दस्तऐवजीकरण अभियंत्यांसाठी योग्य आहे. वाचल्यानंतर, कोणते दुवे पुन्हा लिहिले जावेत, कोणते कायम ठेवावेत आणि कोणत्या परिस्थितीत स्वयंचलित स्क्रिप्ट मॅन्युअल स्वीकृती बदलू शकत नाहीत हे जाणून घेऊ शकता.
खालील उदाहरणे केवळ शिकवण्याचे प्रात्यक्षिक आहेत आणि थेट उत्पादन-स्तरीय उपाय म्हणून वापरली जाऊ शकत नाहीत. त्याची पडताळणीची व्याप्ती आणि सीमा देखील मजकूरात स्पष्ट केल्या जातील.
स्थलांतरानंतर चित्रे आणि लिंक्स का तुटतात? एका वाक्याचा निष्कर्ष
अवैध प्रतिमा आणि दुवे सहसा पार्सिंग संदर्भ गमावल्यामुळे होतात. पुनर्लेखन करताना, मूळ पृष्ठ URL बेसलाइन म्हणून वापरली जावी आणि केवळ स्पष्ट विशेषतांवर प्रक्रिया केली जावी.
| तुमची परिस्थिती | शिफारस केलेल्या पद्धती | कारण |
|---|---|---|
| फाइल पृष्ठ URL | मूळ आधाररेखा ठेवा | आंधळेपणाने ट्रेलिंग स्लॅश जोडू नका, अन्यथा फाइल URL निर्देशिकेत बदलली जाईल |
| CSS, srcset किंवा बेस टॅगची प्रक्रिया करणे आवश्यक आहे | हे उदाहरण हे कव्हर करत नाही आणि स्वतंत्रपणे हाताळले जाणे आवश्यक आहे. | उदाहरण फक्त a[href] आणि img[src] हाताळते |
| तुकडा अँकर | हे पृष्ठ संदर्भित ठेवा | रिमोट पेजवर बदल करण्याची सक्ती करू नका |
| स्क्रिप्ट प्रोटोकॉलसह दुवा | उदाहरणातून ही विशेषता काढून टाका | URL पुन्हा लिहिणे HTML सुरक्षा निर्जंतुकीकरणाच्या बरोबरीचे नाही. पूर्ण HTML ला अजूनही सुरक्षितता स्वच्छता आवश्यक आहे. |
| JavaScript ने Shadow DOM मध्ये लिंक्स किंवा संदर्भ व्युत्पन्न केले | वास्तविक ब्राउझर वातावरणात स्वीकृती | सुंदरसूप या सामग्रीला स्पर्श करू शकत नाही |
सापेक्ष मार्ग अयशस्वी का होतो?
अवलंबित्व संदर्भ पार्स करा
जेव्हा व्यवसाय नवीन डोमेन नावावर अंतर्गत दस्तऐवज, विकी किंवा लीगेसी साइट्स स्थलांतरित करतात, तेव्हा तुटलेली प्रतिमा आणि चुकीची लिंक पुनर्निर्देशने सामान्य असतात. हे सहसा संसाधनाचे नुकसान नसते, परंतु पार्सिंग संदर्भ नुकसान असते.
जेव्हा ब्राउझर सापेक्ष मार्गांचे निराकरण करतात (जसे की images/logo.png), ते RFC 3986 मानकांचे पालन करतात:
- प्रथम
<base href="...">टॅग पहा. <base>उपस्थित नसल्यास, वर्तमान दस्तऐवज URL च्या आधारे त्याची गणना केली जाते.
जर एक्सपोर्ट केलेले स्टॅटिक एचटीएमएल योग्य <base> टॅगसह इंजेक्ट केलेले नसेल किंवा मूळ डिरेक्टरी स्ट्रक्चरमधून विचलित नसेल, तर सर्व संबंधित संदर्भ नवीन डोमेन नावाच्या मूळ निर्देशिकेकडे किंवा वर्तमान पृष्ठ मार्गाकडे निर्देशित करतील, परिणामी संसाधन 404.
urljoin आणि बेस टॅगमधील अर्थविषयक फरक
urljoin चे डीफॉल्ट वर्तन
urllib.parse.urljoin(base, url) हे मुख्य साधन आहे जे दुवा पुनर्लेखन हाताळते, परंतु ब्राउझर <base> टॅगचा अर्थ कसा लावतात त्यात सूक्ष्म फरक आहेत. बऱ्याच स्क्रिप्ट्स "फिक्स अँड ब्रेक" बऱ्याचदा यातून उद्भवतात.
urljoinbaseला "फाइल पथ" म्हणून डीफॉल्ट करते जोपर्यंत ते/ने समाप्त होत नाही.- उदाहरणार्थ,
urljoin("https://new.com/docs", "img.png")चे परिणामhttps://new.com/img.pngमध्ये (दस्तऐवज फाईलनाव म्हणून टाकून दिले जातात),https://new.com/docs/img.pngअपेक्षेप्रमाणे नाही.
बेस URL चे मानकीकरण
HTML <base> टॅग देखील ब्राउझरमधील फाइल्स आणि डिरेक्टरी वेगळे करण्यासाठी ट्रेलिंग स्लॅशवर अवलंबून आहे, परंतु त्यात मानक नसलेल्या इनपुटसाठी थोडी जास्त त्रुटी सहिष्णुता आहे. प्रोग्रॅमॅटिक प्रोसेसिंगमध्ये, इनपुट विशिष्ट वैशिष्ट्यांचे आहे असे गृहीत धरले जाऊ शकत नाही, म्हणून urljoin कॉल करण्यापूर्वी प्रीप्रोसेसिंग केले पाहिजे:
- योजना कायदेशीर आहे का ते तपासा.
- निर्देशिका म्हणून पुष्टी केलेल्या डेटाममध्ये
/प्रत्यय जोडा. फाइल पृष्ठ URL ने त्यांचा मूळ आधार कायम ठेवला पाहिजे. - शून्य मूल्ये फिल्टर करा.
विश्वासार्ह इनपुट म्हणून फक्त प्रमाणित बेस URL वापरल्या जाऊ शकतात.
परिपूर्ण मार्ग आणि संपूर्ण दुवा
/ ने सुरू होणाऱ्या परिपूर्ण पथांसाठी, किंवा संपूर्ण प्रोटोकॉल असलेल्या लिंकसाठी, urljoin थेट मूळ मूल्य परत करते किंवा फक्त होस्टनाव बदलते. हे वैशिष्ट्य ते स्ट्रिंग जोडण्यापेक्षा अधिक सुरक्षित बनवते, परंतु यासाठी विकसकांना "पुनर्लेखन" आणि "जतन करणे" सीमांमध्ये स्पष्टपणे फरक करणे देखील आवश्यक आहे.
संश्लेषण उदाहरणे आणि सीमा परिस्थिती
खालील कोड HTML मध्ये रिसोर्स लिंक्स सुरक्षितपणे कसे लिहायचे ते दाखवते. टीप: हे सिंथेटिक ट्यूटोरियल उदाहरण आहे, उद्देश तर्क प्रदर्शित करणे आहे, उत्पादन-स्तरीय अंमलबजावणी प्रदान करणे नाही. फाइल सिस्टम ऑपरेशन्स आणि नेटवर्क विनंत्या टाळून, इनपुटचे अनुकरण करण्यासाठी इन-मेमरी स्ट्रिंग्सचे उदाहरण वापरते. कोड एका वेगळ्या वातावरणात नमुना डेटावर तपासला गेला आहे, परंतु याचा अर्थ असा नाही की तो सर्व वास्तविक फायलींवर कार्य करेल, कृपया नियंत्रित वातावरणात ते स्वतः सत्यापित करा.
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
स्वीकृती निकष आणि मॅन्युअल पुनरावलोकन सीमा
स्वयंचलित स्क्रिप्ट्स यांत्रिक मार्ग स्प्लिसिंग समस्यांचे निराकरण करू शकतात, परंतु ते व्यावसायिक अर्थशास्त्रावरील निर्णय बदलू शकत नाहीत. "कोड सोडवता येण्याजोगे" आणि "मॅन्युअल हस्तक्षेप आवश्यक" परिस्थितींमध्ये फरक करण्यास टीमला मदत करण्यासाठी खालील तक्त्यामध्ये सामान्य अपवाद आणि हाताळणीचे निर्णय सूचीबद्ध आहेत.
लागू नाही: ही पद्धत फक्त स्टॅटिक एचटीएमएल विशेषता पुनर्लेखनावर लागू होते. BeautifulSoup JavaScript रनटाइम, शॅडो DOM मधील संदर्भ, CSS background-image मधील URL, किंवा Canvas/WebGL टेक्सचर पाथद्वारे व्युत्पन्न केलेल्या लिंकला स्पर्श करू शकत नाही. या परिस्थितींना वास्तविक ब्राउझर वातावरणात स्वीकृती आवश्यक आहे किंवा नाटककार किंवा पपेटियर वापरून एंड-टू-एंड व्हिज्युअल रीग्रेशन चाचणी आवश्यक आहे. कोड प्रात्यक्षिक वितरण गुणवत्तेच्या बरोबरीचे नाही आणि स्वीकृती वापरकर्ता एजंटच्या प्रस्तुत परिणामांवर आधारित असावी.
पुढील चरणांची शिफारस केली
- CI/CD पाइपलाइनवर दुवा पुन्हा लिहिल्यानंतर प्रतिपादन तपासणी जोडा.
- संसाधन सुलभता सत्यापित करण्यासाठी ऐतिहासिक निर्यात दस्तऐवजांचे नमुने घेणे.
- तुम्हाला अनेकदा डायनॅमिक कंटेंट लिंकिंग समस्या येत असल्यास, व्हिज्युअल रिग्रेशन चाचणीसाठी हेडलेस ब्राउझर सादर करण्याच्या आवश्यकतेचे मूल्यांकन करा.
कोणतेही स्वयंचलित उपाय हे सहाय्य मानले पाहिजे आणि मॅन्युअल पुनरावलोकनासाठी बदलू नये.
📊 मुख्य तुलना
| इनपुट फॉर्म | urljoin कसे हाताळायचे | लक्षात घेण्यासारखे मुद्दे |
|---|---|---|
बेंचमार्क जे / मध्ये समाप्त होत नाहीत (जसे की docs) | शेवटचा परिच्छेद फाइल नाव म्हणून टाकून दिला आहे | परिणाम अपेक्षित निर्देशिकेच्या मार्गाऐवजी https://new.com/img.png (दस्तऐवज फाइल नाव म्हणून टाकून दिलेला) असू शकतो |
/ ने सुरू होणारा परिपूर्ण मार्ग | मूळ मूल्य थेट परत करा किंवा फक्त होस्ट नाव बदला | स्ट्रिंग जोडण्यापेक्षा सुरक्षित |
| पूर्ण कराराचा दुवा | मूळ मूल्य थेट परत करा किंवा फक्त होस्ट नाव बदला | पुनर्लेखन आणि धारणा यांच्यातील सीमा स्पष्टपणे वेगळे करणे आवश्यक आहे |
🎯 तुमच्यासाठी कोणती पद्धत योग्य आहे?
जर तुम्ही...
- स्टॅटिकली एक्सपोर्ट केलेले एचटीएमएल स्थलांतरित करण्यासाठी: प्रथम प्रत्येक पृष्ठाची मूळ URL फाइल किंवा निर्देशिका आहे की नाही याची पुष्टी करा आणि नंतर स्लॅश जोडायचे की नाही ते ठरवा.
- फक्त
a[href]आणिimg[src]हाताळणे आवश्यक आहे: तुम्ही या लेखातील उदाहरणाचा संदर्भ घेऊ शकता, परंतु लक्षात ठेवा की CSS, srcset आणि<base>कव्हर केलेले नाहीत. - पृष्ठ JavaScript वर मोठ्या प्रमाणात अवलंबून आहे: केवळ स्थिर पुनर्लेखनावर अवलंबून राहू नका, तुम्ही वास्तविक ब्राउझरमध्ये रेंडरिंग स्वीकृती करावी.
- पृष्ठ सुरक्षितता सुनिश्चित करणे आवश्यक आहे: URL पुनर्लेखन HTML सुरक्षा शुद्धीकरणाच्या बरोबरीचे नाही आणि स्क्रिप्ट्ससारख्या धोकादायक सामग्रीवर देखील स्वतंत्रपणे प्रक्रिया करणे आवश्यक आहे.
❓ वारंवार विचारले जाणारे प्रश्न (FAQ)
१. urljoin डिरेक्टरी पाथचा शेवटचा भाग का टाकून देतो?
urljoin हे base वर डीफॉल्ट असल्यामुळे / फाईल पथ म्हणून समाप्त होत नाही, शेवटचा विभाग फाइल नाव म्हणून टाकून दिला जाईल. उदाहरणार्थ, urljoin("https://new.com/docs", "img.png") चा परिणाम https://new.com/img.png आहे (डॉक्स फाईलचे नाव म्हणून टाकून दिले आहे).
२. तुम्ही सर्व बेस URL मध्ये थेट ट्रेलिंग स्लॅश जोडू शकता का?
शिफारस केलेली नाही. स्लॅश जोडल्याने फाइल-प्रकार पृष्ठ URL चा निर्देशिका म्हणून चुकीचा अंदाज लावला जाईल, परिणामी सापेक्ष पथांसाठी चुकीचे पार्सिंग परिणाम मिळतील. संदर्भ फाईल आहे की निर्देशिका आहे हे तुम्ही प्रथम निर्धारित केले पाहिजे आणि निर्देशिकेची पुष्टी केलेल्या संदर्भामध्ये फक्त स्लॅश जोडा.
३. URL पुन्हा लिहिल्यानंतर, HTML सुरक्षित आहे का?
नाही URL पुनर्लेखन हे HTML सुरक्षा निर्जंतुकीकरणाच्या बरोबरीचे नाही. स्क्रिप्ट प्रोटोकॉल विशेषता उदाहरणामध्ये काढून टाकली आहे, परंतु संपूर्ण HTML च्या सुरक्षिततेशी स्वतंत्रपणे व्यवहार करणे आवश्यक आहे.
४. या स्क्रिप्टद्वारे कोणत्या लिंक्स दुरुस्त केल्या जाऊ शकत नाहीत?
JavaScript रनटाइमद्वारे व्युत्पन्न केलेले दुवे, Shadow DOM मधील संदर्भ, CSS background-image मधील URL आणि कॅनव्हास किंवा WebGL टेक्सचर पथ हे स्टॅटिक HTML विशेषता ओव्हरराइड्सद्वारे ओव्हरराइड केले जाऊ शकत नाहीत आणि वास्तविक ब्राउझर वातावरणात स्वीकृती आवश्यक आहे.
संदर्भ
- सुंदर सूप अधिकृत दस्तऐवजीकरण - विशेषता
- Python urllib.parse.urljoin दस्तऐवजीकरण
- RFC 3986 URI Generic Syntax
📝 सारांश
HTML निर्यात करताना आणि डोमेन नावे बदलताना, प्रतिमा आणि दुवे अवैध होतात. संबंधित पथांच्या पार्सिंग बेंचमार्कमध्ये मुख्य गोष्ट आहे. मूळ पृष्ठ URL चा आधाररेखा, मानकीकरण आणि स्पष्टीकरण स्क्रिप्ट कव्हरेज म्हणून वापरून, तुम्ही समस्या स्वीकारार्ह मर्यादेत ठेवू शकता.
हे आता वापरून पहा: मूळ लेआउट कायम ठेवून भाषांतर सुरू करण्यासाठी दस्तऐवज अपलोड करा


