Temario Lección 124 de 156 · Construir las defensas
Construir las defensas

Limpiar los enlaces al navegar

Por qué importa La partición mantiene los ID fuera del almacenamiento compartido, pero no puede ver un ID escrito en el propio enlace. Cuando haces clic en shopa.example/p/tent?fbclid=IwAR0x9k2, el ID viaja en la dirección y el siguiente sitio lo lee directamente de la URL. Un motor puede quitar esos nombres de cada navegación antes de que la petición salga de tu dispositivo. Lo difícil es hacerlo sin romper los enlaces de inicio de sesión y de pago, que tienen el mismo aspecto.

Imagina una oficina de correos que despega las pegatinas de publicidad de cada sobre antes de entregarlo. Es un buen servicio, hasta que despega el número de pedido que una tienda necesita para encontrar tu paquete. Así que la oficina de correos tiene una lista corta: "las pegatinas llamadas ref se quedan en los sobres para la oficina de pagos".

Decoración de enlaces: un ID o una etiqueta de campaña añadidos a la cadena de consulta de un enlace, la parte después de ?, como utm_source=news o gclid=Cj0KCQ7.

Parámetro de consulta: un par name=value de la cadena de consulta. Los pares se separan con &.

Navegación: cargar una página entera en la pestaña: escribir una dirección, hacer clic en un enlace o seguir un salto de redirección por el camino. Las imágenes y los scripts dentro de una página no son navegaciones.

Lista de permitidos (allowlist): una lista corta de excepciones: nombres que necesita un sitio concreto, que se conservan aunque estén en la lista de los que se quitan.

Por qué al navegar, y solo entonces

En la etapa 2 escribiste un limpiador de enlaces como función. Dentro de un motor se ejecuta en cada navegación, incluido cada salto de redirección. Eso importa: un servidor de clics como deco.example/out?to=... puede añadir adco_id al enlace a su paso, después de que hicieras clic. Solo un limpiador que ve cada salto lo quita.

Los motores no tocan las direcciones de las imágenes, los scripts y los marcos. Los propios scripts de una página pueden enviar un ID como quieran, así que limpiar esas direcciones protege poco y rompe mucho.

Algunos navegadores reales ya lo hacen (comprobado en octubre de 2026). Por ejemplo, Firefox quita una lista de parámetros de rastreo conocidos en el modo Estricto y en las ventanas privadas, Safari quita algunos en la Navegación privada, y Brave quita por defecto una lista de parámetros conocidos. Cada lista es corta y está elegida con cuidado, por el motivo que explica la siguiente sección.

Por qué existe la lista de permitidos

Algunos nombres son siempre rastreadores, como fbclid o utm_campaign. Los nombres cortos y generales son más delicados. En el mundo de práctica, ref es una etiqueta de afiliado en ShopC pero la referencia del pedido en pay.example; cid es un ID de analítica en ShopA pero el ID de inicio de sesión de la aplicación en signin.example. Quítalos en todas partes y fallarán los pagos y los inicios de sesión. El módulo te da:

TRACKING_PARAMS = {"fbclid", "gclid", "msclkid", "mc_eid", "adco_id", "ref", "cid"}
TRACKING_PREFIXES = ("utm_",)            # every name starting with utm_
ALLOWLIST = {"pay.example": {"ref"}, "signin.example": {"cid"}}

Compara los nombres en minúsculas: UTM_Source sigue siendo una etiqueta de campaña. name.lower() da el texto en minúsculas, y name.startswith(TRACKING_PREFIXES) comprueba de una vez todos los prefijos de la tupla.

Desmontar una URL y volver a montarla

El urllib.parse de Python se encarga de las partes delicadas. Nunca cortes las URL con trucos de texto simples: los valores pueden contener caracteres codificados como %20.

from urllib.parse import urlsplit, parse_qsl, urlencode, urlunsplit

parts = urlsplit("https://shopa.example/p/tent?q=tent&utm_source=news#reviews")
print(parts.scheme, parts.hostname, parts.path)   # https shopa.example /p/tent
pairs = parse_qsl(parts.query, keep_blank_values=True)
print(pairs)                                      # [('q', 'tent'), ('utm_source', 'news')]
kept = [(k, v) for k, v in pairs if k != "utm_source"]
print(urlunsplit((parts.scheme, parts.netloc, parts.path, urlencode(kept), parts.fragment)))
# https://shopa.example/p/tent?q=tent#reviews

[(k, v) for k, v in pairs if ...] es una comprensión de listas: una forma corta de escribir "crea una lista nueva con los pares que pasan esta prueba". Cuando no queda ningún par, urlencode([]) está vacío y urlunsplit quita el ? por ti. parts.netloc es el host más el puerto, si lo hay; el sitio para la lista de permitidos sale de site_of(url).

Conectarlo al motor

El navegador de práctica recibe un blocker(request) que ve cada petición, saltos de redirección incluidos. Puede devolver "allow", "block" o una URL nueva para usar en su lugar. request.kind es "document" o "form" en las navegaciones. Tu bloqueador las limpia y deja pasar todo lo demás sin tocarlo. Fíjate en que nunca devuelve "block" para una navegación: la persona eligió ir allí, así que el motor limpia el viaje en lugar de cancelarlo.

run_journeys(blocker) sigue diez enlaces decorados, a través de redirecciones, pagos e inicios de sesión, e informa de cada uno: status, leaked (los nombres de rastreo que todavía recibió el servidor de llegada) y missing (los nombres que el sitio necesitaba pero perdió).

Pruébalo Copia un enlace de un boletín o de una red social y pégalo en un editor de texto. Busca el ? y lee cada nombre antes de un =. Luego abre el enlace en una ventana privada de Firefox y compara la barra de direcciones: los nombres de rastreo conocidos han desaparecido.

En otros lenguajes

El mismo limpiador en JavaScript, con la clase URL integrada:

const TRACKING = new Set(["fbclid", "gclid", "msclkid", "mc_eid", "adco_id", "ref", "cid"]);
const ALLOW = { "pay.example": new Set(["ref"]), "signin.example": new Set(["cid"]) };
function cleanUrl(text, site) {
  const url = new URL(text);
  const keep = ALLOW[site] ?? new Set();
  for (const name of [...url.searchParams.keys()]) {
    const low = name.toLowerCase();
    if ((TRACKING.has(low) || low.startsWith("utm_")) && !keep.has(low)) url.searchParams.delete(name);
  }
  return url.toString();
}

C#, con System.Web.HttpUtility:

// needs: using System.Linq; using System.Web;
// IsTracking(name, site) is your is_tracking, written in C#
var uri = new UriBuilder(url);
var query = HttpUtility.ParseQueryString(uri.Query);
foreach (var name in query.AllKeys.ToList())
    if (IsTracking(name, site)) query.Remove(name);
uri.Query = query.ToString();

Resumen

  • La decoración de enlaces lleva los ID en la dirección, donde no llega la partición.
  • Limpia cada navegación, saltos de redirección incluidos, y no toques los subrecursos.
  • Nunca bloquees una navegación que eligió la persona: límpiala.
  • Los nombres cortos y generales necesitan una lista de permitidos por sitio, o se romperán los inicios de sesión y los pagos.
Tu turno

Usando TRACKING_PARAMS, TRACKING_PREFIXES y ALLOWLIST de watched.leg6b_links, escribe is_tracking(name, site): True cuando el nombre en minúsculas está en TRACKING_PARAMS o empieza por un prefijo, y no está en ALLOWLIST.get(site, set()). Escribe clean_url(url), que quita cada par de rastreo para el sitio de esa URL, conserva los demás en orden y conserva el fragmento. Escribe blocker(request): para un request.kind "document" o "form" devuelve clean_url(request.url); si no, devuelve "allow". Luego asigna results = run_journeys(blocker). Escribe tú la limpieza: no uses is_tracking_name ni reference_clean del módulo.

¿Has visto un problema en esta lección? Avísanos · Preguntar sobre esta lección

Este ejercicio se abre pronto

Termina la lección anterior y esta se desbloquea. Todo el curso es gratis, no hace falta cuenta, y puedes leer esta lección ahora mismo.