Dohledání a opravení rozbité adresy

Pokud se někdo skrz rozbitý odkaz dostane na web, existují dvě možnosti:

1. Vypsat chybu 404.
2. Zkusit URL zrestaurovat a přesměrovat na správnou adresu (nebo správnou URL uživateli navrhnout).

Je k úvaze, zda se zobrazení chybové stránky „404 – Nenalezeno“ nedá donutit autor odkazující stránky k nápravě. Nicméně v případů porouchaných odkazů z diskusních fór apod. s nápravou nejspíš nelze počítat.

Nejčastější chyby

Příliš dlouhá adresa

Značné množství redakčních systémů, diskusních fór a podobných aplikací má nastavenou nějakou maximální délku slova. Ta bohužel kontraproduktivně může ničit URL. Vnikne potom odkaz typu:

<a href='http://example.com/adresa-roz bita-mezerou'>
  Odkaz
</a>

Při kliknutí na odkaz prohlížeč mezeru zakóduje na %20, takže vznikne:

http://example.com/adresa-roz%20bita-mezerou

Řešení je prosté — %20 vyhodit a zkusit adresu znovu.

Je pravda, že adresy by takto dlouhé být vůbec neměly, leč u starších systémů může být jejich změna nevýhodná z pohledu vyhledávačů.

Interpunkce

Jelikož většina automatických rozpoznávačů adres není moc chytrá, běžně požírají jako součást URL i tečky, čárky, středníky, vykřičníky, otazníky, dvojtečky nebo závorky bezprostředně následující onu adresu.

Pokud je webová aplikace běžně v adresách stránek nepoužívá, nic nebrání je z adresy automaticky odstraňovat.

Lomítko

Je-li struktura adres ve/více/úrovních oddělených právě lomítkem, může se stát, že uživatel kus adresy ručně umaže. Jelikož může a nemusí odmazat i lomeno na konci, nabízí se adresy s lomítkem přesměrovávat na adresy bez lomítka nebo obráceně.

Chyba v HTML

Zajímavé podoby URL lze nechtěně vytvořit třeba špatným obalením atributu href:

<ul>
<li><a href='http://jecas.cz/formulare>Je čas</a>
<li><a href='http://djpw.cz/'>DJPW</a>
</ul>

A odkaz „Je čas“ s textem „DJPW“ bude odkazovat na:

http://jecas.cz/formulare%3EJe%20čas%3C/a%3E%3Cli%3E%3Ca%20href=

Oprava tohoto případu může spočívat ve dvou krocích:

1. Nežádoucí znaky vyhodit (mezery, interpunkce, …) a zkusit.
2. U prvního nežádoucího znaku adresu rozdělit a použít jen první část.

U adres, kde nejsou používány nějaké výstřednosti, bude oprava o poznání snazší.

Překlepy

Tohle se bohužel automatisuje obtížněji. Adresa s překlepem vypadá na první pohled OK, zbývá leda možnost zkusit najít nějakou podobnou existující adresu. V PHP k tomu slouží funkce levenshtein nebo similar_text. V databásích by zase šlo použít fulltext nebo danou URL postupně zkracovat a zkracovat a zkoušet like %%.

Například redakční systém WordPress dokáže cílovou adresu dohledat podle začátku. Následující URL:

example.com/k

Dokáže přesměrovat na:

example.com/kontakt

Konkrétní řešení

V případě, že v URL mohou být jen písmena, čísla, podtržítko a spojovník (A-z0-9_-), kód pro opravení (mezer, interpunkce a HTML chyb) bude velice jednoduchý. Nejdříve se odstraní zakódovaná mezera (%20) a následně se použije jen ta část, která odpovídá danému výrazu:

function opravUrl($url) {
  $url = str_replace("%20", "", $url);
  preg_match("~([A-z0-9_-]*)~", $url, $matches);
  return $matches[1];
}

Další odkazy

• Funkce levenshtein v MySQL,
• Použití fulltextu v MySQL