Transformer un texte en url

[captain_torche]

Je viens de rédiger un nouvel article sur la génération d'url propre en PHP : Transformer un texte en url.

Il explique comment supprimer les accents d'une chaîne de caractères, puis comment formater cette dernière afin qu'elle demeure le plus propre possible.

Je suis ouvert à vos remarques et commentaires

Edit du 5/09/2011 : SStephane vient de poster une fonction similaire, mais beaucoup plus compacte : http://www.webmaster-hub.com/topic/43505-transformer-un-texte-en-url/page__view__findpost__p__337105

[KaRaK]

Bonjour,

Merci pour les explications et le code.

Je pense qu'une petite remarque sur urlencode() aurait été la bienvenue pour compléter l'article.

[captain_torche]

Que veux-tu dire par là ? Tu veux parler des limitations de la fonction ?

[KaRaK]

Oui et aussi parce qu'elle pourra être utile aux lecteurs qui liront ton article.

En guise d'introduction peut être pour expliquer les limites de la fonction et les avantages de ton script

Mais c'est pas indispensable !=)

[Dadou]

mais il est en forme aujourd'hui le captain_torche, ou alors il s'ennuie sévère deux articles dans la même journée.

L'article est très bien rédigé, mais juste une petite remarque la conversion des accents qui peut poser problème dans certains cas : par exemple je ne travaille qu'en utf8, donc la conversion ne passe pas bien

[captain_torche]

Effectivement, ça ne passe pas en UTF-8, je vais le corriger de ce pas (Edit: voilà qui est fait)

Et quant à avoir du temps ... J'ai rédigé le premier article hier soir après la question d'un membre, et j'avais de gros scripts d'import qui tournaient dans la journée; ce temps n'a pas été perdu pour tout le monde

Karak, j'ai ajouté le petit paragraphe d'introduction.

[adn]

Merci Captain pour ton article.

Une suggestion, il serait intéressant de supprimer après la transformation tous les mots de 1 ou 2 lettres qui rallongent inutilement l'url.

[Dadou]

Pas forcement, dans certains cas les mots de une ou deux lettres peuvent avoir une grande importance. Par exemple une page produit avec la référence produit dans le titre du style : AC 350D qui deviendrait 350D, et la ce n'aurais plus de sens, ou pour des abréviations, des acronymes...

[adn]

Ce serait plutôt une option effectivement puisque cela dépend de l'utilisation. Dans mon cas, la plupart du temps il n'y a pas de références mais des mots de la langue française uniquement.

[MonWeb]

Bonjour,

J'ai utilisé le code pour convertir les liens hypertexte qui sont dans mes pages

Décines.html est transformé en decines.html ça marche bien

Et l'estaque.html est bien transformé en l-estaque.html mais la base mysql ne répond pas.

Pourtant mon fichier htacces peut réécrire l'estaque.html et la base répond Ok

Ma réécriture d'url n'est pas bonne ?

Modifié 25 Novembre 2008 par MonWeb

[captain_torche]

Effectivement, cela doit dépendre de la manière dont tu gères ta réécriture. Je t'invite à créer un nouveau sujet avec plus de précisions.

[TheRec]

Très bien cet article captain_torche, merci

Joli coup pour le remplacement des accents, je n'y aurais pas pensé.

Concernant la fonction is_utf8, c'est une détection d'octets longs assez approximative... en fait il n'est pas possible de détecter efficacement (sans BOM ... et encore c'est une indication uniquement) si une chaîne est encodée ou non en UTF-8 (ou un autre chartset). Pour information il existe également une extension de PHP qui permet de faire le même travail que cette fonction qui s'appelle mbstring (pas toujours disponible car il faut l'installer, elle n'est pas présente par défaut) et la détection peut se faire grâce à mb_detect_encoding. Maintenant, rien qu'en lisant les commentaires on s'aperçoit que la détection doit se faire sensiblement de la même manière vu les bugs liés à divers caractères étendus. Mais c'est tout de même mieux que de simplement ignorer l'UTF-8 et je ne vois de toute façon pas de solution viable... c'est pour cela qu'il n'est pas recommandé d'avoir des charset différents dans un même système

Encore une chose, urlencode ou plutôt rawurlencode (une des différences entre ces deux fonction est l'encodage des espaces, respectivement "+" et "%20") suit la RFC1738 et s'applique aux données passée dans la querystring. Pour ce qui vient avant la querystring, il faut procéder à un double encodage, cela correspond à la RFC3986, section 2.5). Mais cela pose d'autres problèmes au niveau des moteurs de recherches qui ne semblent pas respecter cette RFC3986 en stockant des URL décodées, comme je l'avais évoqué précédemment.

[captain_torche]

Il faudra encore que je l'améliore, un collègue allemand me faisait remarquer que les ligatures n'étaient pas prises en compte (e dans l'o, eszett, etc). Merci pour toutes ces précisions !

[Dadou]

eszett?? ça existe toujours en allemand, je croyais qu'ils ne l'utilisaient plus

[captain_torche]

C'est également ce qu'on m'avait dit au lycée, mais il est apparemment toujours d'actualité

[MonWeb]

J'ai trouvé un autre truc

Un uf à la coque donne un -uf à la coque

Donc la ville de Cricquebuf.htm se transforme en cricqueb-uf.htm au lieu de Criqueboeuf.htm

[captain_torche]

Oui, c'est le bug dont je parlais quelques messages plus haut. Je le corrigerai aujourd'hui, si j'ai du temps.

[captain_torche]

Je viens de mettre l'article à jour. Les caractères ligaturés devraient être transformés, si tant est que le jeu de caractère soit bien UTF-8.

[MonWeb]

Merci d'avoir consacré du temps pour cette correction

Mais ça marche pas

uilly.html devient .html et la totalité est effacé

En fait Château.html est lui aussi supprimé en .html

Modifié 27 Novembre 2008 par MonWeb

[captain_torche]

J'ai remodifié l'article, un petit oubli s'y était glissé.

Je précise que ces fonction ne fonctionnent que pour de l'UTF-8. Si tes fichiers sont encodés autrement, tu peux utiliser ces fonctions :

function enleve_accents($chaine) {
	$reg = '/&(.)(acute|grave|circ|uml|cedil|ring|tilde|slash);/';
	return preg_replace($reg, '\1', htmlentities($chaine));
}

function enleve_ligatures($chaine) {
	$tab = array('œ' => 'oe', 'Œ' => 'OE', 'ß' => 'ss');
	foreach($tab as $key => $value)
		$chaine = str_replace($key, $value, $chaine);
	$reg = '|&([a-zA-Z]{2})lig;|';
	return preg_replace($reg, '\1', $chaine);
}

function suppr_speciaux($chaine) {
	$reg = '|(&[a-zA-Z0-9]*|U';
	return preg_replace($reg, '-', $chaine);
}

function nettoie_url($texte) {
	if(is_utf8($texte))
		$texte = utf8_decode($texte);
	$texte = strtolower(suppr_speciaux(enleve_ligatures(enleve_accents($texte))));
	$reg = '|([^a-z0-9]+)|';
	$texte = preg_replace($reg, '-', $texte);
	return trim($texte, '-');
}

function is_utf8($string) {
	return !strlen(
		preg_replace(
		',[\x09\x0A\x0D\x20-\x7E]'            # ASCII
		. '|[\xC2-\xDF][\x80-\xBF]'             # non-overlong 2-byte
		. '|\xE0[\xA0-\xBF][\x80-\xBF]'         # excluding overlongs
		. '|[\xE1-\xEC\xEE\xEF][\x80-\xBF]{2}'  # straight 3-byte
		. '|\xED[\x80-\x9F][\x80-\xBF]'         # excluding surrogates
		. '|\xF0[\x90-\xBF][\x80-\xBF]{2}'      # planes 1-3
		. '|[\xF1-\xF3][\x80-\xBF]{3}'          # planes 4-15
		. '|\xF4[\x80-\x8F][\x80-\xBF]{2}'      # plane 16
		. ',sS',
		'', $string)
	);
}

[MonWeb]

Mes pages

<meta http-equiv="Content-Type" content="text/html;charset=utf-8" />

Ma base

Utf8 Interclassement utf8_unicode_ci

Avec ta dernière modification dans transformer un texte en url

uilly.html devient uilly.html on y est presque il manque le o

Modifié 27 Novembre 2008 par MonWeb

[Dadou]

J'ai une fonction de conversion en uft8 qui je pense est assez propre :

function Utf8($sValue) {
	if (mb_check_encoding($sValue, 'UTF-8')) {
		return $sValue;
	}
	else return utf8_encode($sValue);
	}

Mais il faut l'extension mbstring d'installer sur le serveur

[TheRec]

C'est un peu ce que j'ai dit en première page Dadou Mais avec le code déjà prêt Merci ... je n'ai pas creuser dans le code de cette extension, mais je suppose que la détection suit le même schéma logique, on tente de détecter la longueur des caractères et leur type, mais on arrive vite au limites de cette méthode... lorsqu'on utilise des caractères des alphabets russes, chinois, etc.

Et malheureusement, bon nombre d'hébergements mutualisés ne proposent pas mbstring par défaut et pourtant cette extension est très utile et je doute qu'elle consomme tant de ressources que cela, dommage

[MonWeb]

mais on arrive vite au limites de cette méthode.

Pourquoi il y a mieux quand on a un hébergement mutualisé

Je le trouve super ce code c'est le plus complet que j'ai trouvé, mais je suis pas contre autre chose

Pour le moment uilly Bonnil donne uilly-bonn-il et je cherche un magicien

Modifié 27 Novembre 2008 par MonWeb

[Patrick]

Arf j'ai fait il y a quelque temps un truc similaire mais qui marche que pour iso-8859-1

ça pourrait faire un bon complément de l'excellent travail de Captain et pourquoi pas donner lieu à une fonction unique qui gèrerai les 2 charset de façon indifférente.

Dès que je trouve 5 minutes je plonge dans mes bout-de-scripts-qui-peuvent-servir-et-qui-sont-dans-un-coin.html pour trouver ça.

++

Patrick