Python：如何解析包含“ ..”的URL

Question

我需要唯一地标识和存储一些URL。问题在于有时它们会包含“
..”，就像http://somedomain.com/foo/bar/../../some/url基本上，http://somedomain.com/some/url如果我没记错的话。

是否有Python函数或复杂的方法来解析此URL？

Answer 1

有一个简单的解决方案使用urllib.parse.urljoin：

>>> from urllib.parse import urljoin
>>> urljoin('http://www.example.com/foo/bar/../../baz/bux/', '.')
'http://www.example.com/baz/bux/'

但是，如果没有结尾斜杠（最后一个组件是文件，而不是目录），则最后一个组件将被删除。

此修复程序使用urlparse函数提取路径，然后使用（的posixpath版本）os.path对组件进行规范化。用斜杠补偿一个神秘的问题，然后将URL重新连接在一起。以下是doctest能够的：

from urllib.parse import urlparse
import posixpath

def resolve_components(url):
    """
    >>> resolve_components('http://www.example.com/foo/bar/../../baz/bux/')
    'http://www.example.com/baz/bux/'
    >>> resolve_components('http://www.example.com/some/path/../file.ext')
    'http://www.example.com/some/file.ext'
    """
    parsed = urlparse(url)
    new_path = posixpath.normpath(parsed.path)
    if parsed.path.endswith('/'):
        # Compensate for issue1707768
        new_path += '/'
    cleaned = parsed._replace(path=new_path)
    return cleaned.geturl()