Python实现URL规范化：为无后缀无尾斜杠的URL添加尾斜杠

问题描述 #

我需要在Python中实现URL规范化：当URL未以斜杠结尾，且末尾部分没有文件扩展名（比如.png、.php这类）时，自动为其添加末尾斜杠。例如：

• http://www.example.com → http://www.example.com/
• http://www.example.com/image.png → 保持不变

但我用正则表达式/([^/.]+)$写的代码没生效，start_url完全没被修改：

import re

start_url = "https://zonetuto.fr"
start_url = re.sub(r'/([^/.]+)$', r'/\1/', start_url)
print(start_url)

问题原因 #

你的正则表达式要求匹配以斜杠开头、后面跟着不含点和斜杠的字符结尾的模式，但https://zonetuto.fr的末尾是zonetuto.fr，前面没有斜杠，自然匹配不到，所以re.sub不会做任何替换。

解决方案 #

方案1：改进正则逻辑 #

直接判断URL是否满足「未以斜杠结尾」且「末尾无扩展名」两个条件，再添加斜杠：

import re

def normalize_url(url):
    # 先排除已以斜杠结尾的情况
    if url.endswith('/'):
        return url
    # 检查末尾是否有文件扩展名（匹配类似 .xxx 的格式）
    if not re.search(r'\.\w+$', url):
        return url + '/'
    return url

# 测试用例
print(normalize_url("https://zonetuto.fr"))  # 输出: https://zonetuto.fr/
print(normalize_url("http://www.example.com/image.png"))  # 输出: http://www.example.com/image.png
print(normalize_url("https://test.com/path/to/page"))  # 输出: https://test.com/path/to/page/
print(normalize_url("https://test.com/index.php"))  # 输出: https://test.com/index.php
print(normalize_url("https://test.com/path/"))  # 输出: https://test.com/path/

方案2：用标准库urllib.parse处理复杂URL #

如果需要处理带查询参数、锚点的复杂URL，用Python标准库解析更严谨，避免正则的局限性：

from urllib.parse import urlparse, urlunparse

def normalize_url(url):
    parsed_url = urlparse(url)
    path = parsed_url.path
    
    # 处理路径：非空、未以斜杠结尾、且最后一段无扩展名
    if path and not path.endswith('/') and '.' not in path.split('/')[-1]:
        path += '/'
    
    # 重新拼接URL
    return urlunparse(parsed_url._replace(path=path))

# 测试用例
print(normalize_url("https://zonetuto.fr"))  # 输出: https://zonetuto.fr/
print(normalize_url("http://www.example.com/image.png?size=200"))  # 输出: http://www.example.com/image.png?size=200
print(normalize_url("https://test.com/page#top"))  # 输出: https://test.com/page/#top
print(normalize_url("https://test.com/api/v2"))  # 输出: https://test.com/api/v2/

内容的提问来源于stack exchange，提问作者LeMoussel