Python中的规范URL比较？

在Python中有什么工具可以进行URL比较吗

例如，如果我有

http://google.com

和

google.com/

我想知道它们很可能是同一个站点

如果手动构造规则，我可能会将其大写，然后去掉

http://

部分，并删除最后一个字母数字字符后面的任何内容。。但我可以看到这方面的失败，我相信你也可以

---

有这样的图书馆吗？你会怎么做？

它不是“模糊的”，它只是找到两个字符串之间的“距离”：

我将删除所有对URL解析有语义意义的部分（协议、斜杠等），将其规范化为小写，然后执行levenstein距离，然后从中确定多少差异是可接受的阈值

---

只是一个想法。

这是我脑子里想出来的：

def canonical_url(u):
    u = u.lower()
    if u.startswith("http://"):
        u = u[7:]
    if u.startswith("www."):
        u = u[4:]
    if u.endswith("/"):
        u = u[:-1]
    return u

def same_urls(u1, u2):
    return canonical_url(u1) == canonical_url(u2)

---

很明显，这里有很多空间来处理这个问题。正则表达式可能比startswith和endswith更好，但你明白了。

你可以使用dns查找名称，看看它们是否指向相同的ip。可能需要一些次要的字符串处理来删除令人困惑的字符

from socket import gethostbyname_ex

urls = ['http://google.com','google.com/','www.google.com/','news.google.com']

data = []
for orginalName in urls:
    print 'url:',orginalName
    name = orginalName.strip()
    name = name.replace( 'http://','')
    name = name.replace( 'http:','')
    if name.find('/') > 0:
        name = name[:name.find('/')]
    if name.find('\\') > 0:
        name = name[:name.find('\\')]
    print 'dns lookup:', name
    if name:
        try:
            result = gethostbyname_ex(name)
        except:
            continue # Unable to resolve
        for ip in result[2]:
            print 'ip:', ip
            data.append( (ip, orginalName) )

print data

结果:

url: http://google.com
dns lookup: google.com
ip: 66.102.11.104
url: google.com/
dns lookup: google.com
ip: 66.102.11.104
url: www.google.com/
dns lookup: www.google.com
ip: 66.102.11.104
url: news.google.com
dns lookup: news.google.com
ip: 66.102.11.104
[('66.102.11.104', 'http://google.com'), ('66.102.11.104', 'google.com/'), ('66.102.11.104', 'www.google.com/'), ('66.102.11.104', 'news.google.com')]

显然有。 这个图书馆是我测试过的最好的

根据URL的来源，您可能希望清除URL中的其他标准参数，例如。这是有用的

将其与以下内容相结合：

代码：

from w3lib.url import url_query_cleaner
from url_normalize import url_normalize

urls = ['google.com',
'google.com/',
'http://google.com/',
'http://google.com',
'http://google.com?',
'http://google.com/?',
'http://google.com//',
'http://google.com?utm_source=Google']


def canonical_url(u):
    u = url_normalize(u)
    u = url_query_cleaner(u,parameterlist = ['utm_source','utm_medium','utm_campaign','utm_term','utm_content'],remove=True)

    if u.startswith("http://"):
        u = u[7:]
    if u.startswith("https://"):
        u = u[8:]
    if u.startswith("www."):
        u = u[4:]
    if u.endswith("/"):
        u = u[:-1]
    return u

list(map(canonical_url,urls))

['google.com',
 'google.com',
 'google.com',
 'google.com',
 'google.com',
 'google.com',
 'google.com',
 'google.com']

结果：

from w3lib.url import url_query_cleaner
from url_normalize import url_normalize

urls = ['google.com',
'google.com/',
'http://google.com/',
'http://google.com',
'http://google.com?',
'http://google.com/?',
'http://google.com//',
'http://google.com?utm_source=Google']


def canonical_url(u):
    u = url_normalize(u)
    u = url_query_cleaner(u,parameterlist = ['utm_source','utm_medium','utm_campaign','utm_term','utm_content'],remove=True)

    if u.startswith("http://"):
        u = u[7:]
    if u.startswith("https://"):
        u = u[8:]
    if u.startswith("www."):
        u = u[4:]
    if u.endswith("/"):
        u = u[:-1]
    return u

list(map(canonical_url,urls))

['google.com',
 'google.com',
 'google.com',
 'google.com',
 'google.com',
 'google.com',
 'google.com',
 'google.com']

---

它不会让你在没有X信誉的情况下发布两个链接，但是如果你把URL放在反引号中，那么你可以包含任意多的URL，这样解析器就不会将它们转换为链接。我编辑你的问题是为了说明我认为你的意思，但如果我弄错了，请再次编辑以纠正我。哦，还有一件事：你所说的“模糊”比较到底是什么意思？很容易看出

http://google.com

和

google.com/

是一回事，因为它们有完全相同的规范形式，但这不是模糊比较。一个真正的模糊比较会识别出相似但不完全相同的URL，即使在你将它们转换成标准格式之后也是如此。谢谢，这还是很新鲜的。我改变了标题。看起来这可能是一个很好的起点。这类似于我要手动创建的。我希望有一个lib已经做到了这一点。科林：这似乎是一个应该解决的问题。@Colin:这是一件自己动手做通常很容易的事情，而且更有可能得到你真正想要的东西。问题是，URL没有严格定义的“标准形式”，所以每个想要它的人都会有一些不同的想法。我同意Nicholas的观点：这不够明确，无法得到标准定义。如果你自己写的话，你会得到最好的服务。我觉得整个URL的大小写是个坏主意——大小写在URL中很重要（主机和域除外）