如何用Python构建符合指定规则的自定义Canonical URL？

需求说明 #

• 主域名my.com始终包含www子域名，子域名（如sub.my.com）保持原样
• 强制使用HTTPS协议
• 移除默认的80、443端口
• 移除路径末尾的斜杠

转换示例 #

• http://my.com => https://www.my.com
• http://my.com/ => https://www.my.com
• https://my.com:80/ => https://www.my.com
• https://sub.my.com/ => https://sub.my.com
• https://sub.my.com?term=t1 => https://sub.my.com?term=t1

原代码问题分析 #

你写的代码存在两个关键问题：

1. 修改parsed对象属性时误用了比较运算符==，应该用赋值运算符=
2. 未利用urllib.parse提供的urlunparse方法来规范拼接URL组件

修正后的完整代码 #

from urllib.parse import urlparse, urlunparse

def build_canonical_url(request):
    # 获取请求的完整绝对URL
    absolute_url = request.build_absolute_uri()
    parsed = urlparse(absolute_url)

    # 1. 强制切换为HTTPS协议
    scheme = 'https'

    # 2. 为主域名添加www子域名，子域名不做修改
    hostname = parsed.hostname
    if hostname == 'my.com':
        hostname = 'www.my.com'

    # 3. 移除默认端口，非默认端口保留
    port = None if parsed.port in (80, 443) else parsed.port

    # 4. 移除路径末尾的斜杠，空路径保持为空
    path = parsed.path.rstrip('/') if parsed.path else ''

    # 拼接网络位置（主机名+端口）
    netloc = hostname
    if port is not None:
        netloc = f"{hostname}:{port}"

    # 用urlunparse重新组合所有URL组件
    canonical_url = urlunparse((
        scheme,
        netloc,
        path,
        parsed.params,
        parsed.query,
        parsed.fragment
    ))

    return canonical_url

关键代码说明 #

• 用urlunparse替代手动拼接，它能自动处理URL各组件的格式规范，避免手动拼接出现的格式错误
• 精确匹配主域名my.com添加www，避免误修改子域名
• 用rstrip('/')安全移除路径末尾斜杠，空路径不会被处理成多余字符
• 仅保留非默认端口，80和443端口直接省略

内容的提问来源于stack exchange，提问作者Hooman Bahreini