Shlink短链接服务中查询参数空格被替换为下划线的技术解析与修复
在Shlink短链接服务的使用过程中,开发团队发现了一个关于URL查询参数处理的特殊问题:当查询参数名称中包含空格时,系统会自动将空格转换为下划线。这个问题不仅影响了空格的处理,还涉及其他特殊字符的编码转换行为。
问题现象
用户报告称,当使用类似https://internal.fqdn/F4UVN?spaces are valid=true这样的短链接时,实际重定向后查询参数中的空格会被替换为下划线,变成http://www.example.com/?spaces_are_valid=true。这种行为在某些特定场景下会造成功能性问题,比如在Tableau等系统中使用查询参数设置过滤器时,由于过滤器名称通常包含空格,这种自动转换会导致过滤功能失效。
进一步测试发现,这个问题不仅限于空格字符,还影响了一系列特殊字符的编码处理:
- %20(空格) → 下划线
- %22 → 双引号
- %2E → 下划线
- %3C → 小于号
- %3E → 大于号
技术原因分析
经过深入调查,开发团队发现这个问题的根源在于PHP语言对查询参数处理的特殊机制。当PHP解析查询字符串时,出于历史兼容性考虑,会将参数名称转换为有效的变量名格式。这一转换过程包括:
- 将空格转换为下划线
- 对某些特殊字符进行解码
- 确保参数名称符合PHP变量命名规范
Shlink在处理短链接重定向时,需要合并两个来源的查询参数:
- 短链接URL本身可能包含的查询参数
- 用户访问短链接时附加的查询参数
为了实现这种合并逻辑,Shlink必须先将查询字符串解析为参数数组,进行必要的处理后再重新序列化为查询字符串。正是这个解析-处理-序列化的过程导致了参数名称的意外转换。
解决方案
开发团队通过以下方式解决了这个问题:
- 保留原始查询字符串的访问方式
- 实现自定义的查询字符串解析逻辑
- 在参数合并处理过程中保持参数名称的原始形式
- 确保特殊字符编码在最终重定向URL中保持不变
这种解决方案既保留了Shlink原有的查询参数合并功能,又避免了PHP内置解析机制带来的副作用。
影响与升级建议
该问题已在Shlink 4.2.2版本中得到修复。对于依赖查询参数精确传递的应用场景,特别是参数名称中包含空格或其他特殊字符的情况,建议用户尽快升级到最新版本。升级后,Shlink将能够正确处理各种特殊字符编码,确保查询参数在重定向过程中保持原样传递。
对于短链接服务开发者而言,这个案例也提供了一个重要的经验:在处理URL和查询参数时,需要特别注意语言或框架层面的隐式转换行为,必要时应该绕过默认处理机制,实现更精确的控制逻辑。
ERNIE-4.5-VL-28B-A3B-ThinkingERNIE-4.5-VL-28B-A3B-Thinking 是 ERNIE-4.5-VL-28B-A3B 架构的重大升级,通过中期大规模视觉-语言推理数据训练,显著提升了模型的表征能力和模态对齐,实现了多模态推理能力的突破性飞跃Python00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
MiniMax-M2MiniMax-M2是MiniMaxAI开源的高效MoE模型,2300亿总参数中仅激活100亿,却在编码和智能体任务上表现卓越。它支持多文件编辑、终端操作和复杂工具链调用Python00
HunyuanVideo-1.5暂无简介00
MiniCPM-V-4_5MiniCPM-V 4.5 是 MiniCPM-V 系列中最新且功能最强的模型。该模型基于 Qwen3-8B 和 SigLIP2-400M 构建,总参数量为 80 亿。与之前的 MiniCPM-V 和 MiniCPM-o 模型相比,它在性能上有显著提升,并引入了新的实用功能Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00
GOT-OCR-2.0-hf阶跃星辰StepFun推出的GOT-OCR-2.0-hf是一款强大的多语言OCR开源模型,支持从普通文档到复杂场景的文字识别。它能精准处理表格、图表、数学公式、几何图形甚至乐谱等特殊内容,输出结果可通过第三方工具渲染成多种格式。模型支持1024×1024高分辨率输入,具备多页批量处理、动态分块识别和交互式区域选择等创新功能,用户可通过坐标或颜色指定识别区域。基于Apache 2.0协议开源,提供Hugging Face演示和完整代码,适用于学术研究到工业应用的广泛场景,为OCR领域带来突破性解决方案。00