Numele de domeniu al codului HTML exportat a fost schimbat. De ce sunt rupte imaginile și linkurile?

Valoarea de referință pentru urljoin ar trebui să fie adresa URL a paginii originale. Nu puteți adăuga bare oblice pentru a schimba adresa URL a fișierului într-un director. Acest exemplu se ocupă doar de a[href] și img[src] și nu înlocuiește etichetele CSS, srcset sau de bază; rescrierea adreselor URL nu este dezinfectare HTML sigură.

După ce codul HTML exportat este migrat la un nou nume de domeniu, imaginile și linkurile devin invalide. Aceasta este o problemă pe care o întâmpină multe echipe atunci când organizează documente, wiki-uri sau site-uri vechi. Acest tip de problemă nu este adesea că resursa este cu adevărat pierdută, ci că calea relativă își pierde contextul original de analizare.

Acest articol este potrivit pentru dezvoltatori și inginerii de documentare responsabili de migrarea site-ului, exportul static sau rescrierea în lot a linkurilor. După citire, puteți judeca ce link-uri ar trebui rescrise, care ar trebui reținute și puteți ști în ce scenarii scripturile automate nu pot înlocui acceptarea manuală.

Exemplele de mai jos sunt doar demonstrații didactice și nu pot fi utilizate direct ca soluții la nivel de producție. Domeniul și limitele sale de verificare vor fi, de asemenea, explicate în text.

De ce imaginile și linkurile sunt întrerupte după migrare? O singură propoziție concluzie

Imaginile și linkurile nevalide sunt de obicei cauzate de pierderea contextului de analiză. Când rescrieți, adresa URL a paginii inițiale ar trebui să fie utilizată ca linie de bază și trebuie procesate numai atributele explicite.

situatia taPractici recomandatemotiv
Adresa URL a paginii fișieruluiPăstrați linia de bază originalăNu adăugați orbește o bară oblică finală, altfel adresa URL a fișierului va fi schimbată într-un director
Necesită procesarea etichetelor CSS, srcset sau de bazăAcest exemplu nu acoperă acest lucru și trebuie tratat separat.Exemplul tratează numai a[href] și img[src]
fragment de ancoraPăstrați această pagină referităNu forțați schimbarea la pagina la distanță
Legătură cu protocolul de scriptEliminați acest atribut din exempluRescrierea adreselor URL nu este egală cu igienizarea securității HTML. HTML complet mai are nevoie de igienizare de securitate.
Link-uri sau referințe generate de JavaScript în Shadow DOMAcceptarea în mediul browser realBeautifulSoup nu poate atinge acest conținut

De ce eșuează calea relativă?

Analizați contextul de dependență

Când companiile migrează documente interne, wiki-uri sau site-uri vechi către un nou nume de domeniu, sunt frecvente imaginile rupte și redirecționările incorecte ale linkurilor. Aceasta nu este de obicei o pierdere de resurse, ci o pierdere de context de analiză.

Când browserele rezolvă căi relative (cum ar fi images/logo.png), ele urmează standardul RFC 3986:

  • Căutați mai întâi etichetele <base href="...">.
  • Dacă <base> nu este prezent, acesta este calculat pe baza URL-ului documentului curent.

Dacă HTML-ul static exportat nu este nici injectat cu eticheta <base> corectă și nici nu este deviat de la structura originală a directorului, toate referințele relative vor indica directorul rădăcină al noului nume de domeniu sau calea paginii curente, rezultând resursa 404.

Diferențele semantice între urljoin și etichetele de bază

Comportamentul implicit al urljoin

urllib.parse.urljoin(base, url) este instrumentul de bază care se ocupă de rescrierea linkurilor, dar există diferențe subtile în modul în care browserele interpretează eticheta <base>. Multe script-uri „remediază și sparg"adesea provin din asta.

-urljoin este implicit base ca „cale de fișier", cu excepția cazului în care se termină cu/.

  • De exemplu, urljoin("https://new.com/docs", "img.png") are ca rezultat https://new.com/img.png (documentele sunt eliminate ca nume de fișiere), nu https://new.com/docs/img.png așa cum era de așteptat.

Standardizarea adreselor URL de bază

Eticheta HTML <base> se bazează, de asemenea, pe barele oblice finale pentru a distinge fișierele și directoarele din browsere, dar are o toleranță la erori puțin mai mare pentru introducerea non-standard. În procesarea programatică, nu se poate presupune că intrarea are anumite specificații, așa că preprocesarea ar trebui făcută înainte de a apela urljoin:

  1. Verificați dacă schema este legală.
  2. Adăugați sufixul / la data confirmată ca director. Adresele URL ale paginilor de fișiere ar trebui să își păstreze baza inițială.
  3. Filtrați valorile nule.

Numai adresele URL de bază standardizate pot fi folosite ca intrare de încredere.

Calea absolută și link complet

Pentru căile absolute care încep cu / sau legăturile care conțin protocolul complet, urljoin returnează direct valoarea inițială sau înlocuiește doar numele gazdei. Această caracteristică o face mai sigură decât concatenarea șirurilor, dar necesită și dezvoltatorilor să distingă clar între „rescriere"și „păstrare"granițe.

Exemple de sinteză și condiții la limită

Următorul cod arată cum să rescrieți în siguranță legăturile de resurse în HTML. Notă: Acesta este un exemplu de tutorial sintetic, scopul este de a demonstra logica, nu de a oferi o implementare la nivel de producție. Exemplul folosește șiruri din memorie pentru a simula intrarea, evitând operațiunile sistemului de fișiere și solicitările de rețea. Codul a fost verificat pe probe de date într-un mediu izolat, dar asta nu înseamnă că va funcționa pe toate fișierele reale, vă rugăm să verificați-l singur într-un mediu controlat.

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

Criterii de acceptare și limite de revizuire manuală

Scripturile automate pot rezolva problemele mecanice de îmbinare a căilor, dar nu pot înlocui judecata asupra semanticii afacerii. Următorul tabel listează excepțiile comune și deciziile de gestionare pentru a ajuta echipa să facă distincția între scenariile „rezolvabil prin cod"și „care necesită intervenție manuală".

Nu se aplică: această metodă se aplică numai rescrierea atributelor HTML statice. BeautifulSoup nu poate atinge linkurile generate de runtime JavaScript, referințele din Shadow DOM, adresele URL în CSSbackground-image sau căile texturii Canvas/WebGL. Aceste situații necesită acceptare într-un mediu de browser real sau testare de regresie vizuală end-to-end folosind Playwright sau Puppeteer. Demonstrarea codului nu este egală cu calitatea livrării, iar acceptarea ar trebui să se bazeze pe rezultatele de redare ale agentului utilizator.

Următorii pași recomandați

  • Adăugați verificarea aserțiunilor după rescrierea legăturii la conducta CI/CD.
  • Eșantionarea documentelor istorice de export pentru a verifica accesibilitatea resurselor.
  • Dacă întâmpinați adesea probleme de conectare dinamică a conținutului, atunci evaluați necesitatea introducerii unui browser fără cap pentru testarea regresiei vizuale.

Orice remediere automată ar trebui considerată un ajutor și nu un înlocuitor pentru revizuirea manuală.

📊 Comparație de bază

Formular de intrareCum să gestionezi urljoinPuncte de remarcat
Benchmark-uri care nu se termină în / (cum ar fi docs)Ultimul paragraf este eliminat ca nume de fișierRezultatul poate fi https://new.com/img.png (docs este eliminat ca nume de fișier) în loc de calea către directorul așteptat
Calea absolută care începe cu /Returnați direct valoarea inițială sau înlocuiți numai numele gazdeiMai sigur decât concatenarea șirurilor
Link către acordul completReturnați direct valoarea inițială sau înlocuiți numai numele gazdeiGranițele dintre rescriere și reținere trebuie să fie clar distinse

🎯 Ce metodă este potrivită pentru tine?

dacă……

  • Pentru a migra HTML exportat static: mai întâi confirmați dacă adresa URL de bază a fiecărei pagini este un fișier sau un director, apoi decideți dacă adăugați o bară oblică.
  • Numai a[href] și img[src] trebuie tratate: Puteți consulta exemplul din acest articol, dar rețineți că CSS, srcset și <base> nu sunt acoperite.
  • Pagina se bazează în mare măsură pe JavaScript: nu vă bazați doar pe rescrierea statică, ar trebui să faceți acceptarea redării într-un browser real.
  • Securitatea paginii trebuie asigurată: rescrierea URL-urilor nu este egală cu purificarea securității HTML, iar conținutul riscant, cum ar fi scripturile, trebuie, de asemenea, procesat separat.

❓ Întrebări frecvente (FAQ)

1. De ce renunță urljoin ultimul segment al căii directorului?

Deoarece urljoin este implicit base care nu se termină cu / ca cale de fișier, ultimul segment va fi eliminat ca nume de fișier. De exemplu, rezultatul urljoin("https://new.com/docs", "img.png") este https://new.com/img.png (docs este eliminat ca nume de fișier).

2. Puteți adăuga direct o bară oblică la toate adresele URL de bază?

Nerecomandat. Adăugarea de bare oblice va evalua greșit adresa URL a paginii de tip fișier ca director, rezultând rezultate incorecte ale analizei pentru căile relative. Mai întâi ar trebui să determinați dacă referința este un fișier sau un director și să adăugați doar bare oblice la referința care este confirmată a fi un director.

3. După rescrierea adresei URL, este HTML sigur?

nu. Rescrierea adreselor URL nu este egală cu igienizarea securității HTML. Atributul protocolului de script este eliminat în exemplu, dar securitatea HTML-ului complet trebuie încă tratată separat.

4. Ce linkuri nu pot fi reparate de acest script?

Legăturile generate de runtime JavaScript, referințele din Shadow DOM, URL-urile în CSS background-image și căile texturi Canvas sau WebGL nu pot fi suprascrise prin înlocuiri de atribute HTML statice și necesită acceptare într-un mediu de browser real.

Referințe

📝 Rezumat

Când exportați HTML și schimbați numele de domenii, imaginile și linkurile devin invalide. Cheia constă în benchmark-ul de analiză a căilor relative. Folosind adresa URL a paginii inițiale ca bază, standardizând și clarificând acoperirea scriptului, puteți menține problemele în limite acceptabile.

Încercați acum: încărcați documentul pentru a începe traducerea, păstrând aspectul original

Actualizat 2026-11-16