Shlink短链接服务中特殊字符在自定义短码中的应用探讨
在短链接服务Shlink的使用过程中,自定义短码的字符限制一直是开发者关注的重点。近期社区中就特殊字符"&"和"+"在自定义短码中的应用展开了深入讨论,这涉及到URL规范、用户体验和技术实现的平衡问题。
背景与现状
Shlink作为一款优秀的短链接服务,允许用户自定义短码(slug)来创建易记的短链接。在早期版本中,系统允许使用"&"和"+"等特殊字符作为短码的一部分,这为用户提供了更大的灵活性。例如,用户可以使用"/T+B-lunch"或"/T&C_car"这样具有语义化的短码,显著提升了可读性和记忆性。
然而,在后续版本更新中,这一功能发生了变化。系统开始对这些特殊字符进行限制,当用户尝试使用时会收到"Provided data is not valid - Invalid elements: [customSlug]"的错误提示。这一变更源于对RFC 3986规范的严格遵循,该规范定义了URL中保留字符的使用规则。
技术分析
RFC 3986规范将URL字符分为几类,其中最重要的是通用分隔符(gen-delimiters)和子分隔符(sub-delimiters)。通用分隔符包括":", "/", "?", "#", "[", "]", "@"等,用于分隔URL的不同部分;而子分隔符包括"!", "$", "&", "'", "(", ")", "*", "+", ",", ";", "="等,主要在特定URL组件中具有特殊含义。
当前Shlink实现中,出于防止URL解析问题的考虑,禁止了所有保留字符在短码中的使用。但技术分析表明,子分隔符(如"&"和"+")在路径组件中使用时,只要经过适当的URL编码处理,实际上不会造成解析歧义或安全问题。
解决方案与展望
经过技术评估,Shlink开发团队提出了一个平衡方案:放宽对子分隔符的限制,同时保持对通用分隔符的严格禁止。这一方案具有以下优势:
- 恢复用户熟悉的"&"和"+"等字符的使用,提升短码的可读性和灵活性
- 仍然遵循URL规范的核心要求,确保系统的稳定性和安全性
- 通过区分对待不同类型的保留字符,实现了规范遵循与用户体验的平衡
这一改进预计将在未来版本中实现,届时用户将能够重新使用这些特殊字符创建更具表达力的短码,同时系统仍能保持良好的兼容性和安全性。对于开发者而言,这一变化也提醒我们在技术实现中需要不断权衡规范严格性与实际用户体验之间的关系。
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