He intentado eliminar todos los parámetros utm_ * de una lista de URL. Lo más parecido que he encontrado es esto: https://gist.github.com/626834.Eliminar los parámetros utm_ * de la URL en Python
¿Alguna idea?
He intentado eliminar todos los parámetros utm_ * de una lista de URL. Lo más parecido que he encontrado es esto: https://gist.github.com/626834.Eliminar los parámetros utm_ * de la URL en Python
¿Alguna idea?
import re
from urlparse import urlparse, urlunparse
url = 'http://www.someurl.com/page.html?foo=bar&utm_medium=qux&baz=qoo'
parsed_url = list(urlparse(url))
parsed_url[4] = '&'.join(
[x for x in parsed_url[4].split('&') if not re.match(r'utm_', x)])
utmless_url = urlunparse(parsed_url)
print utmless_url # 'http://www.someurl.com/page.html?foo=bar&baz=qoo'
Es un poco largo pero usa los módulos url * y evita las re.
from urllib import urlencode
from urlparse import urlparse, parse_qs, urlunparse
url = 'http://whatever.com/somepage?utm_one=3&something=4&utm_two=5&utm_blank&something_else'
parsed = urlparse(url)
qd = parse_qs(parsed.query, keep_blank_values=True)
filtered = dict((k, v) for k, v in qd.iteritems() if not k.startswith('utm_'))
newurl = urlunparse([
parsed.scheme,
parsed.netloc,
parsed.path,
parsed.params,
urlencode(filtered, doseq=True), # query string
parsed.fragment
])
print newurl
# 'http://whatever.com/somepage?something=4&something_else'
Un problema es que esto cambiará el orden de los parámetros de consulta, y agregará "=" a params sin valores. Esto * no debería * ser un problema, pero (lo he encontrado al intentar escribir algo como esto) hay sitios que dependen de cosas como esa. Por ejemplo, en un sitio en particular, http://www.example.com/?32423&foo=bar&a=b no se puede volver a escribir como http://www.example.com/?a=b&foo=bar&32423= Sí, el sitio es estúpido e incorrecto y no debería depender del pedido de param de consulta. Pero si se trata de un sitio del mundo real (y no era pequeño), entonces no necesariamente puede ignorarlo :-( –
simple, y las obras, y se basan en el enlace que has publicado, pero es re ... así, no estoy seguro de que no se romperá por alguna razón que no puedo pensar en :)
import re
def trim_utm(url):
if "utm_" not in url:
return url
matches = re.findall('(.+\?)([^#]*)(.*)', url)
if len(matches) == 0:
return url
match = matches[0]
query = match[1]
sanitized_query = '&'.join([p for p in query.split('&') if not p.startswith('utm_')])
return match[0]+sanitized_query+match[2]
if __name__ == "__main__":
tests = [ "http://localhost/index.php?a=1&utm_source=1&b=2",
"http://localhost/index.php?a=1&utm_source=1&b=2#hash",
"http://localhost/index.php?a=1&utm_source=1&b=2&utm_something=no#hash",
"http://localhost/index.php?a=1&utm_source=1&utm_a=yes&b=2#hash",
"http://localhost/index.php?utm_a=a",
"http://localhost/index.php?a=utm_a",
"http://localhost/index.php?a=1&b=2",
"http://localhost/index.php",
"http://localhost/index.php#hash2"
]
for t in tests:
trimmed = trim_utm(t)
print t
print trimmed
print
Qué tal esto. Agradable y simple:
url = 'https://searchengineland.com/amazon-q3-ad-revenues-surpass-1-billion-roughly-2x-early-2016-285763?utm_source=feedburner&utm_medium=feed&utm_campaign=feed-main'
print url[:url.find('?utm')]
https://searchengineland.com/amazon-q3-ad-revenues-surpass-1-billion-roughly-2x-early-2016-285763
¿Por qué usar 're' here? Un simple 'x.startswith ('utm _')' lo haría, y mejor. – jadkik94
Sí, la expresión 're' puede reemplazarse por' startswith', que no conocía hasta que vi la respuesta de Jon Clement. :) – mVChr