Necesito crear un sitio web que tenga artículos, y me gustaría hacer URL amigables para él, por ejemplo, la URL de la página con

Título: Prueba de artículo

debe convertirse en: http://www.example.com/articles/article_test.

Por supuesto, necesito eliminar algunos caracteres del título como ?o #, pero no estoy seguro de cuáles eliminar.

¿Alguien puede decirme qué personajes son seguros de mantener?

Para citar la sección 2.3 de RFC 3986 :

"Los caracteres que están permitidos en un URI pero que no tienen un propósito reservado se denominan sin reserva. Estos incluyen letras mayúsculas y minúsculas, dígitos decimales, guiones, puntos, guiones bajos y tilde".

ALPHA  DIGIT  "-" / "." / "_" / "~"

Tenga en cuenta que RFC 3986 enumera menos signos de puntuación reservados que el RFC 2396 anterior .

Hay dos conjuntos de caracteres que debes tener en cuenta: reservados e inseguros .

Los caracteres reservados son:

• ampersand ("&")
• dólar ("$")
• signo más ("+")
• coma (",")
• barra inclinada ("/")
• colon (":")
• punto y coma (";")
• es igual a ("=")
• signo de interrogación ("?")
• Símbolo 'At' ("@")
• libra ("#").

Los caracteres generalmente considerados inseguros son:

• espacio (" ")
• menor que y mayor que ("<>")
• abrir y cerrar paréntesis ("[]")
• abrir y cerrar llaves ("{}")
• tubería ("|")
• barra invertida ("\")
• caret ("^")
• por ciento ("%")

Puede que haya olvidado uno o más, lo que me lleva a repetir la respuesta de Carl V. A la larga, probablemente sea mejor usar una "lista blanca" de caracteres permitidos y luego codificar la cadena en lugar de tratar de mantenerse al tanto de los caracteres que los servidores y sistemas no permiten.

Es mejor mantener solo algunos caracteres (lista blanca) en lugar de eliminar ciertos caracteres (lista negra).

Técnicamente, puede permitir cualquier carácter, siempre que lo codifique correctamente. Pero, para responder en el espíritu de la pregunta, solo debe permitir estos caracteres:

1. Letras minúsculas (convertir mayúsculas a minúsculas)
2. Números, del 0 al 9
3. Un guión, o guión bajo _
4. Tilde ~

Todo lo demás tiene un significado potencialmente especial. Por ejemplo, puede pensar que puede usar +, pero se puede reemplazar con un espacio. & también es peligroso, especialmente si se usan algunas reglas de reescritura.

Al igual que con los otros comentarios, consulte los estándares y especificaciones para obtener detalles completos.

Siempre seguro

Estos son seguros (en teoría / especificaciones), básicamente en cualquier lugar excepto el nombre de dominio.
Codifique por ciento cualquier cosa que no esté en la lista, y ya está listo.

    A-Z a-z 0-9 - . _ ~ ( ) ' ! * : @ , ;

A veces seguro

Solo seguro cuando se usa dentro de componentes URL específicos; usar con cuidado.

    Paths:     + & =
    Queries:   ? /
    Fragments: ? / # + & =
    

Nunca seguro

De acuerdo con la especificación URI (RFC 3986), todos los demás caracteres deben estar codificados en porcentaje. Esto incluye:

    <space> <control-characters> <extended-ascii> <unicode>
    % < > [ ] { } | \ ^
    

Si le preocupa la compatibilidad máxima, limite el juego de caracteres a AZ az 0-9 - _.
(con puntos solo para extensiones de nombre de archivo).

Mantenga el contexto en mente

Incluso si es válido por especificación, una URL puede ser "insegura", según el contexto. Como un archivo: /// URL que contiene caracteres de nombre de archivo no válidos, o un componente de consulta que contiene "?", "=" Y "&" cuando no se utilizan como delimitadores. El manejo correcto de estos casos generalmente depende de sus scripts y se puede solucionar, pero es algo a tener en cuenta.

En cuanto a RFC3986 - Identificador uniforme de recursos (URI): sintaxis genérica , su pregunta gira en torno al componente de ruta de un URI.

    foo://example.com:8042/over/there?name=ferret#nose
     \_/   \______________/\_________/ \_________/ \__/
      |           |            |            |        |
   scheme     authority       path        query   fragment
      |   _____________________|__
     / \ /                        \
     urn:example:animal:ferret:nose

Citando la sección 3.3, los caracteres válidos para un URI segmentson de tipo pchar:

pchar = sin reservas / codificado por pct / subdelimitaciones / ":" / "@"

Que se descompone en:

ALPHA / DIGIT / "-" / "." / "_" / "~"

pct-encoded

"!" / "$" / "&" / "'" / "(" / ")" / "*" / "+" / "," / ";" / "="

":" / "@"

O en otras palabras: Usted puede utilizar cualquier carácter (no control-) de la tabla ASCII , excepto / , ?, #, [y ].

Este entendimiento está respaldado por RFC1738 - Localizadores uniformes de recursos (URL) .

sin reservas = ALFA / DÍGITO / "-" / "." / "_" / "~"

Por el contexto que describe, sospecho que lo que realmente está tratando de hacer es algo llamado 'babosa SEO'. La mejor práctica general conocida para aquellos es:

1. Convertir a minúsculas
2. Convierta secuencias enteras de caracteres que no sean az y 0-9 en un guión (-) (no guiones bajos)
3. Elimine 'detener palabras' de la URL, es decir, palabras no indexables de manera significativa como 'a', 'an' y 'the'; Google 'palabras de detención' para listas extensas

Entonces, como ejemplo, un artículo titulado "The Usage of! @% $ * To Represent Swearing In Comics" obtendría una babosa de "use-represent-swearing-comics".

El formato para un URI se define en RFC 3986 . Consulte la sección 3.3 para más detalles.

Desde una perspectiva de SEO, los guiones son preferibles a los guiones bajos. Convierta a minúsculas, elimine todos los apóstrofes, luego reemplace todas las cadenas de caracteres no alfanuméricas con un solo guión. Recorte el exceso de guiones desde el principio y el final

Tuve un problema similar, quería tener urls bonitas y llegué a la conclusión de que solo tenía que permitir letras, dígitos, y _ en urls. Eso está bien, luego escribí algunas expresiones agradables y me di cuenta de que reconoce que todos los caracteres UTF8 no son letras en .NET y se atornilló. Esto parece ser un problema conocido para .NET regex engine. Entonces llegué a esta solución:

private static string GetTitleForUrlDisplay(string title)
{
    if (!string.IsNullOrEmpty(title))
    {
        return Regex.Replace(Regex.Replace(title, @"[^A-Za-z0-9_-]", new MatchEvaluator(CharacterTester)).Replace(' ', '-').TrimStart('-').TrimEnd('-'), "[-]+", "-").ToLower();
    }
    return string.Empty;
}


/// <summary>
/// All characters that do not match the patter, will get to this method, i.e. useful for unicode chars, because
/// .NET impl of regext do not handle unicode chars. So we use char.IsLetterOrDigit() which works nicely and we 
/// return what we approve and return - for everything else.
/// </summary>
/// <param name="m"></param>
/// <returns></returns>
private static string CharacterTester(Match m)
{
    string x = m.ToString();
    if (x.Length > 0 && char.IsLetterOrDigit(x[0]))
    {
        return x.ToLower();
    }
    else
    {
        return "-";
    }
}

Me pareció muy útil codificar mi url en una segura cuando estaba devolviendo un valor a través de ajax / php a una url que luego fue leída por la página nuevamente.

Salida PHP con codificador url para el carácter especial &

//PHP returning the sucess info of ajax request
echo "".str_replace('&','%26',$_POST['name'])." category was changed";

//javascript sending the value to url
window.location.href='time.php?return=updated&val='+msg;

//javascript/php executing the function printing the value of the url,
//now with the text normally lost in space because of the reserved & character.

setTimeout("infoApp('updated','<?php echo $_GET['val'];?>');",360);

¡Espero que alguien encuentre útil mis pequeños extractos de código! :)

Creo que está buscando algo como "Codificación de URL": codificar una URL para que sea "seguro" usarlo en la web:

Aquí hay una referencia para eso. Si no desea caracteres especiales, simplemente elimine los que requieran codificación URL:

http://www.w3schools.com/TAGS/ref_urlencode.asp

Entre 3-50 personajes. Puede contener letras minúsculas, números y caracteres especiales: punto (.), Guión (-), guión bajo (_) y a la velocidad (@).