Preciso criar um site que contenha artigos e gostaria de criar URLs amigáveis, como o URL da página com

Título: Artigo Teste

deve tornar-se: http://www.example.com/articles/article_test.

É claro que preciso remover alguns caracteres do título, como ?or #, mas não tenho certeza de quais remover.

Alguém pode me dizer quais caracteres são seguros para manter?

Para citar a seção 2.3 da RFC 3986 :

"Os caracteres permitidos em um URI, mas que não têm um objetivo reservado, são chamados sem reserva. Eles incluem letras maiúsculas e minúsculas, dígitos decimais, hífen, ponto, sublinhado e til."

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

Observe que o RFC 3986 lista menos sinais de pontuação reservados que o RFC 2396 mais antigo .

Há dois conjuntos de caracteres que você precisa observar: reservado e não seguro .

Os caracteres reservados são:

• e comercial ("&")
• dólar ("$")
• sinal de adição ("+")
• vírgula (",")
• barra ("/")
• dois pontos (":")
• ponto e vírgula (";")
• igual a ("=")
• ponto de interrogação ("?")
• Símbolo 'At' ("@")
• libra ("#").

Os personagens geralmente considerados inseguros são:

• espaço ("")
• menor que e maior que ("<>")
• abrir e fechar colchetes ("[]")
• abrir e fechar chaves ("{}")
• pipe ("|")
• barra invertida ("\")
• acento circunflexo ("^")
• por cento ("%")

Eu posso ter esquecido um ou mais, o que me leva a ecoar a resposta de Carl V. A longo prazo, provavelmente é melhor usar uma "lista branca" de caracteres permitidos e depois codificar a sequência em vez de tentar ficar a par dos caracteres que não são permitidos pelos servidores e sistemas.

É melhor manter apenas alguns caracteres (lista de permissões) em vez de remover determinados caracteres (lista negra).

Tecnicamente, você pode permitir qualquer caractere, desde que o codifique corretamente. Mas, para responder no espírito da pergunta, você deve permitir apenas esses caracteres:

1. Letras minúsculas (converter maiúsculas em minúsculas)
2. Números, 0 a 9
3. Um traço - ou sublinhado _
4. Tilde ~

Tudo o resto tem um significado potencialmente especial. Por exemplo, você pode pensar que pode usar +, mas pode ser substituído por um espaço. & também é perigoso, especialmente se estiver usando algumas regras de reescrita.

Como nos outros comentários, consulte os padrões e especificações para obter detalhes completos.

Sempre seguro

Estes são seguros (em teoria / especificação), basicamente em qualquer lugar, exceto no nome de domínio.
Codifique por cento tudo o que não estiver listado e você estará pronto.

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

Às vezes seguro

Somente seguro quando usado em componentes de URL específicos; use com cuidado.

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

Never Safe

De acordo com a especificação do URI (RFC 3986), todos os outros caracteres devem ser codificados em porcentagem. Isso inclui:

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

Se a compatibilidade máxima for uma preocupação, limite o conjunto de caracteres para AZ az 0-9 - _.
(com pontos apenas para extensões de nome de arquivo).

Mantenha o contexto em mente

Mesmo se válido por especificação, um URL ainda pode ser "inseguro", dependendo do contexto. Como um arquivo: /// URL que contém caracteres de nome de arquivo inválidos ou um componente de consulta que contém "?", "=" E "&" quando não usado como delimitador. O tratamento correto desses casos geralmente depende de seus scripts e pode ser contornado, mas é algo a ter em mente.

Olhando para RFC3986 - Identificador Uniforme de Recursos (URI): sintaxe genérica , sua pergunta gira em torno do componente de caminho de um URI.

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

Citando a seção 3.3, os caracteres válidos para um URI segmentsão do tipo pchar:

pchar = não reservado / codificado em pct / subdimensões / ":" / "@"

Que se divide em:

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

pct-encoded

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

":" / "@"

Ou em outras palavras: Você pode usar qualquer caractere (não-controle-) da tabela ASCII , exceto / , ?, #, [e ].

Esse entendimento é apoiado pelo RFC1738 - URLs (Uniform Resource Locators) .

não reservado = ALPHA / DIGIT / "-" / "." / "_" / "~"

No contexto que você descreve, suspeito que o que você está realmente tentando fazer é algo chamado de 'lesma de SEO'. A melhor prática conhecida geral para aqueles é:

1. Converter em minúsculas
2. Converter seqüências inteiras de caracteres que não sejam az e 0-9 em um hífen (-) (não sublinhado)
3. Remova 'stop words' do URL, ou seja, palavras não indexáveis ​​como 'a', 'an' e 'the'; Google 'stop words' para listas extensas

Assim, como exemplo, um artigo intitulado "O uso de! @% $ * Para representar palavrões nos quadrinhos" receberia uma porção de "uso-representa-palavrões-quadrinhos".

O formato para um URI é definido no RFC 3986 . Veja a seção 3.3 para detalhes.

De uma perspectiva de SEO, os hífens são preferidos aos sublinhados. Converta em minúsculas, remova todos os apóstrofos e substitua todas as seqüências de caracteres não alfanuméricas por um único hífen. Apare o excesso de hífens no início e no final.

Eu tive um problema semelhante, queria ter urls bonitos e cheguei à conclusão de que tenho de permitir apenas letras, dígitos e _ e urls. Tudo bem, então eu escrevi um bom regex e percebi que ele reconhece que todos os caracteres UTF8 não são letras no .NET e foi ferrado. Este parece ser um problema conhecido para o mecanismo de regex do .NET. Então eu cheguei a esta solução:

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 "-";
    }
}

Achei muito útil codificar meu URL para um URL seguro quando eu retornava um valor através do ajax / php para um URL que era lido pela página novamente.

Saída PHP com codificador de URL para o caractere 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 alguém ache meu pequeno extrato de código útil! :)

Acho que você está procurando algo como "Codificação de URL" - codificando um URL para que seja "seguro" usar na Web:

Aqui está uma referência para isso. Se você não deseja caracteres especiais, basta remover os que requerem codificação de URL:

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

Entre 3-50 caracteres. Pode conter letras minúsculas, números e caracteres especiais - ponto (.), Traço (-), sublinhado (_) e com a taxa (@).