URL y limpieza de enlaces
Por qué importa Cuando las cookies están bloqueadas o particionadas, los rastreadores llevan tu ID en el propio enlace, y cada vez que copias y compartes un enlace así pasas con él el ID de clic. Un limpiador de enlaces quita esa decoración en cada navegación sin romper la página. Los navegadores y los bloqueadores traen uno; aquí escribes el tuyo, y el módulo del bloqueador reutiliza la idea.
Piensa en la etiqueta de un paquete. La dirección es lo que necesita el mensajero. Las pegatinas que fue añadiendo todo el que lo manipuló por el camino ("vino por el boletín", "cliente número 7f3a") no lo son. Limpiar un enlace es despegar las pegatinas dejando la dirección exactamente como estaba.
URL: una dirección web, por partes: https://shopa.example:443/p/tent?colour=green#reviews tiene un esquema (https), un host (shopa.example), un puerto (443), una ruta (/p/tent), una consulta (colour=green) y un fragmento (reviews, que se queda en el navegador y no se envía al servidor).
Parámetro de consulta: un trozo name=value de la consulta, separado de los demás por &.
Decoración de enlaces: parámetros añadidos a un enlace para llevar un ID o una etiqueta de campaña de un sitio a otro, como utm_source, fbclid o gclid.
Dos tareas: normalizar y luego quitar
Normalizar significa escribir siempre la misma dirección de la misma forma. El esquema y el host no distinguen mayúsculas, así que HTTPS://SHOPA.Example pasa a ser https://shopa.example. El puerto 443 es el predeterminado de HTTPS (80 en HTTP), así que escribirlo no añade nada. Una ruta vacía es /. La ruta en sí sí distingue mayúsculas en muchos servidores, así que déjala en paz.
Quitar significa eliminar solo los parámetros de rastreo. STRIP_PARAMS en watched.leg2c_http enumera los nombres de ID de clic y de campaña (de plataformas de anuncios, herramientas de correo y redes sociales), y también se van todos los nombres que empiezan por utm_. Compara los nombres en minúsculas y después de decodificarlos (utm%5Fsource es utm_source disfrazado). Todo lo demás se queda exactamente como está escrito: q=red+tent no debe convertirse en q=red%20tent, y el orden les importa a algunos sitios.
Codificación por porcentaje: escribir un carácter como % más dos dígitos hexadecimales, para que pueda viajar sin problemas en una URL: %5F es _, %26 es &. urllib.parse.unquote lo devuelve a su forma.
from urllib.parse import urlsplit
parts = urlsplit("https://Shop.Example:443/p?utm_source=x&id=5#top")
parts.scheme, parts.hostname, parts.port, parts.path, parts.query, parts.fragment
# ('https', 'shop.example', 443, '/p', 'utm_source=x&id=5', 'top')¿Por qué no reconstruir la consulta con urlencode? Porque vuelve a codificar los valores y puede cambiarlos sin avisar. Dividir la consulta en bruto en & y conservar los trozos intactos es más seguro. Una dirección anidada como ?to=https%3A%2F%2F...%3Futm_source%3Dx es un valor codificado de un parámetro normal; déjala en paz aquí (desenvolver los enlaces de rebote es tarea de la próxima lección y del bloqueador).
Una idea equivocada muy común
"Quita todos los parámetros para ir a lo seguro." Eso rompe los resultados de búsqueda (q=), los números de página (page=2) y, lo peor de todo, los enlaces para restablecer la contraseña y para iniciar sesión (token=). Uno de los 40 casos corregidos es justo ese enlace de restablecimiento. Los limpiadores de los navegadores usan una lista por el mismo motivo (comprobado en octubre de 2026).
Pruébalo Copia un enlace de un boletín por correo o de una publicación en una red social en un editor de texto. ¿Ves parámetros utm_ o un ID de clic largo? Quítalos, abre el enlace más corto y comprueba que la página sigue funcionando.
En otros lenguajes
JavaScript:
function cleanLink(link) {
const u = new URL(link); // lower-cases host, drops default port
if (!["http:", "https:"].includes(u.protocol)) return link;
const kept = u.search.slice(1).split("&").filter(piece => {
const name = decodeURIComponent(piece.split("=")[0]).toLowerCase();
return piece && !name.startsWith("utm_") && !STRIP.has(name);
});
u.search = kept.length ? "?" + kept.join("&") : "";
return u.toString();
}C#:
var u = new Uri(link);
var kept = u.Query.TrimStart('?').Split('&')
.Where(p => p != "" && !IsTracking(Uri.UnescapeDataString(p.Split('=')[0])));
var b = new UriBuilder(u) { Query = string.Join("&", kept) };Resumen
- Normaliza las partes que no distinguen mayúsculas (el esquema y el host), quita los puertos predeterminados y convierte una ruta vacía en
/. - Quita solo los parámetros de rastreo conocidos, comparados en minúsculas tras decodificarlos; conserva todos los demás trozos exactamente como están escritos y en orden.
- Conserva el fragmento, deja en paz los enlaces que no son web y nunca quites los tokens que necesita una página.
Escribe is_tracking_param(name): True cuando el nombre, decodificado con unquote y pasado a minúsculas, empieza por utm_ o está en STRIP_PARAMS. Después escribe clean_link(url): deja sin cambios los enlaces que no sean http/https; pasa a minúsculas el esquema y el host (conserva cualquier parte user@ exactamente como está escrita, y los corchetes alrededor de una dirección IPv6); quita un puerto predeterminado; convierte una ruta vacía en /; divide la consulta en &, quita los trozos vacíos y los parámetros de rastreo, y conserva el resto exactamente como está escrito y en orden; sin ? cuando no queda nada; conserva el #fragment. Se corrige con los 40 casos de LINK_CASES más enlaces aleatorios.
¿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.
Este navegador está bloqueando las cookies de learn.floati.life, así que las lecciones que terminaste aquí no se pueden abrir en orden. Permite las cookies de este sitio y recarga.