把歪網址粘進去之前,先認清這頁只有一套膠水
手頭的活:從舊的投餵日誌裡翻出一串看著活著、其實歪著的網址,逐個丟進解析頁核對分段。第一發就連踩兩個雷——example.com:80 被整段認成了協議,半截轉義的 %e 讓分段表崩在半路。先把預期釘住:這頁的拆解只有一臺機器,new URL() 加上頁面自寫的補協議、後綴判斷、split 分段與取引數四段膠水;結構表不管你喂什麼,都只出 11 行,而頁面文案寫著共 12 項,差 1 行。下面把這幾段膠水對畸形輸入吐出的欄位值一條條記下來,每條都帶上產生它的輸入原文。
example.com:80/ 被整段誤判成協議
最陰的一發:粘 example.com:80/,冒號被本頁的 scheme 正則認作協議名,protocol 吐出 example.com:,pathname 變成 80/,是否安全欄打出大寫的 EXAMPLE.COM,報錯欄全程一個字沒寫。換成 http://example.com:80: 才終於等來「URL 格式不合法」——也就是說,對一串沒寫協議的字元,這頁的判斷是第一段冒號前的內容都可以是協議。
補協議分支的姊妹行為連協議相對寫法一起吞://example.com/a/b?x=1#f 被補成 https 打頭,href 落成長 29 的串,頁面並不跟隨當前頁協議。尾隨空格被 trim 放行,href 長 21;中間夾 1 個空格、tab 或換行則一律擋下,提示固定一句:URL 中含有空格或換行,請先走編碼這一手再粘回來解析。
圖 1:example.com:80/ 在本頁被貼錯標籤的路線。
半截轉義 %e 丟擲 URIError,螢幕停在上半新下半舊
https://e.com/%e 的崩點在自寫分段解碼那一步,丟擲 URIError: URI malformed。按程式碼寫入順序判定(本輪沒開瀏覽器核螢幕),拋之前結構表與統計行已經寫完——這串輸入的總字元數是 16——分段表停空,引數編輯區整輪不更新,中間沒有任何 try/catch 兜底。這個順序足夠解釋為什麼頁面上半是新的、下半還是舊內容。注意不是每個壞 % 都崩:引數值 q=1%zz2 裡的非法轉義被原樣保留、顯示 1%zz2;只有落在分段解碼裡的半截 %e 才掀桌子。
引數只按 & 切,分號是值的一部分
a=1;b=2&c=%E4%BD%A0%E5%A5%BD 進引數表只出 2 行,第一行顯示 a=1;b=2——本頁不認分號當分隔符。無鍵片段 ?onlyvalue 會被保留成一個鍵名就叫 onlyvalue 的行,+ 則解成空格。重複鍵是兩本賬:輸入 ?utm_source=x&utm_source=y&b=2,引數表 3 行,核取方塊只有 2 個,因為勾選列表按 Set 去了重;取消勾選一次,同名兩個值一起消失,重組結果 https://e.com/?b=2。而重組這一步並不是從原文裡刪字元:%zz 變 %25zz、分號變 %3B、無鍵片段從生成結果裡直接沒了。所以想刪一個引數保其餘原樣,這頁做不到;真要改賬,就把串粘回解析頁重跑一輪。
圖 2:重複鍵的兩本賬,與刪參重組時的二次編碼。
畸形輸入與本頁產出對照
| 輸入 | 本頁產出 | 報錯欄 |
|---|---|---|
| example.com:80/ | protocol=example.com:,pathname=80/ | 全程安靜 |
| //example.com/a/b?x=1#f | 補成 https 打頭,href 長 29 | 無 |
| https://e.com/%e | 結構表與統計行寫完,分段表停空 | URIError: URI malformed |
| a=1;b=2&c=%E4%BD%A0%E5%A5%BD | 引數表 2 行,首行顯示 a=1;b=2 | 無 |
| ?utm_source=x&utm_source=y&b=2 | 3 行引數、2 個核取方塊 | 無 |
| 空 ? 與空 # 並排 | search、hash 顯示「—(空)」,href 保留符號,總字元數 21 | 無 |
中文域名直接落 punycode,字元數按 UTF-16 碼元
喂 https://例え.測試/路徑 這類國際化測試常客,hostname 變 xn--r8jz45g.xn--0zwm56d,後綴欄顯示 .xn--0zwm56d,16 字元的輸入(UTF-8 佔 28 位元組)產出 50 字元且全 ASCII 的 href。統計行那個「總字元數」是 UTF-16 碼元數而不是位元組數,拿位元組尺去對永遠對不齊。協議白名單也有說法:只有 http、https、ws、wss、ftp 五個受缺主機名檢查;javascript:alert(1) 與 mailto:a@b.com 照樣出滿 11 行結構表,是否安全欄分別顯示 JAVASCRIPT、MAILTO,這裡只是列舉本頁行為;file:/// 與 data: 的 hostname 顯示 —、origin 顯示字串 null、預設埠欄補一個「無」。
常見問題
Q:粘 example.com:80/ 為什麼一條報錯都沒有?
本頁的 scheme 正則把冒號前那段當協議名,協議成立後結構表照常輸出 11 行;誤判的殘影只在是否安全欄顯示 EXAMPLE.COM、pathname 成了 80/。要讓它報錯,得寫成 http://example.com:80: 這種真畸形。
Q:粘了帶 %e 的網址,頁面下半截不動了怎麼辦?
自寫分段解碼在中途拋 URIError,渲染沒有兜底,拋之前寫好的欄位會留在頁面上。把半截轉義補完整再重新粘一次即可。
Q:核取方塊為什麼比引數表行數少?
同名鍵在勾選側按 Set 去重:3 行引數可以只有 2 個核取方塊,取消一次就把同名幾行的值一起刪掉。
Q:重組出來的串和原串字元對不上?
刪參重組走的是重新編碼,不是刪除:%zz 變 %25zz、分號變 %3B、無鍵片段消失。想弄清各段本身怎麼劃分,回頭看網址分段怎麼拆那篇。