Programme Leçon 37 sur 156 · HTTP vu de l'intérieur
HTTP vu de l'intérieur

Les URL et le nettoyage des liens

Pourquoi c'est important Quand les cookies sont bloqués ou cloisonnés, les traqueurs transportent ton identifiant dans le lien lui-même, et chaque fois que tu copies et partages un tel lien, tu transmets l'identifiant de clic avec. Un nettoyeur de liens retire cette décoration à chaque navigation sans casser la page. Les navigateurs et les bloqueurs en intègrent un ; ici, tu écris le tien, et le module sur le bloqueur réutilise l'idée.

Pense à l'étiquette d'un colis. L'adresse, c'est ce dont le transporteur a besoin. Les autocollants ajoutés par tous ceux qui l'ont manipulé en chemin (« venu par la newsletter », « client numéro 7f3a »), non. Nettoyer un lien, c'est décoller les autocollants en laissant l'adresse exactement telle qu'elle était.

URL : une adresse web, en parties : https://shopa.example:443/p/tent?colour=green#reviews a un schéma (https), un hôte (shopa.example), un port (443), un chemin (/p/tent), une requête (colour=green) et un fragment (reviews, qui reste dans le navigateur et n'est pas envoyé au serveur).

Paramètre de requête : un morceau name=value de la requête, séparé des autres par &.

Décoration de lien : des paramètres ajoutés à un lien pour transporter un identifiant ou une étiquette de campagne d'un site à un autre, comme utm_source, fbclid ou gclid.

Deux tâches : normaliser, puis retirer

Normaliser veut dire écrire la même adresse de la même façon à chaque fois. Le schéma et l'hôte ne tiennent pas compte de la casse, donc HTTPS://SHOPA.Example devient https://shopa.example. Le port 443 est celui par défaut pour HTTPS (80 pour HTTP), donc l'écrire n'apporte rien. Un chemin vide vaut /. Le chemin lui-même tient compte de la casse sur beaucoup de serveurs, donc n'y touche pas.

Retirer veut dire enlever seulement les paramètres de pistage. STRIP_PARAMS de watched.leg2c_http liste les noms d'identifiants de clic et de campagne (des plateformes publicitaires, des outils d'e-mailing et des réseaux sociaux), et chaque nom qui commence par utm_ part aussi. Compare les noms en minuscules et après décodage (utm%5Fsource est un utm_source déguisé). Tout le reste reste exactement tel qu'écrit : q=red+tent ne doit pas devenir q=red%20tent, et l'ordre compte pour certains sites.

Encodage pourcent : écrire un caractère sous la forme % plus deux chiffres hexadécimaux, pour qu'il voyage sans risque dans une URL : %5F est _, %26 est &. urllib.parse.unquote fait le chemin inverse.

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')

Pourquoi ne pas reconstruire la requête avec urlencode ? Parce qu'il réencode les valeurs et peut les changer discrètement. Couper la requête brute sur & et garder les morceaux intacts est plus sûr. Une adresse imbriquée comme ?to=https%3A%2F%2F...%3Futm_source%3Dx est une valeur encodée d'un paramètre normal ; laisse-la tranquille ici (déballer les liens de rebond est le travail de la leçon suivante et du bloqueur).

Une idée reçue

« Retirer tous les paramètres pour être tranquille. » Ça casse les résultats de recherche (q=), les numéros de page (page=2) et, pire que tout, les liens de réinitialisation de mot de passe et de connexion (token=). L'un des 40 cas notés est justement ce lien de réinitialisation. Les nettoyeurs des navigateurs utilisent une liste pour la même raison (vérifié en octobre 2026).

Essaie Copie un lien d'une newsletter ou d'un post sur un réseau social dans un éditeur de texte. Repères-tu des paramètres utm_ ou un long identifiant de clic ? Retire-les, ouvre le lien raccourci, et vérifie que la page marche encore.

Dans d'autres langages

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) };

Récap

  • Normalise les parties qui ne tiennent pas compte de la casse (schéma, hôte), retire les ports par défaut, et transforme un chemin vide en /.
  • Ne retire que les paramètres de pistage connus, comparés en minuscules après décodage ; garde chaque autre morceau exactement tel qu'écrit et dans l'ordre.
  • Garde le fragment, laisse tranquilles les liens qui ne sont pas web, et ne retire jamais les jetons dont une page a besoin.
À ton tour

Écris is_tracking_param(name) : True quand le nom, décodé avec unquote et mis en minuscules, commence par utm_ ou est dans STRIP_PARAMS. Puis écris clean_link(url) : laisse inchangés les liens qui ne sont pas http/https ; mets le schéma et l'hôte en minuscules (garde toute partie user@ exactement telle qu'écrite, et les crochets autour d'une adresse IPv6) ; retire un port par défaut ; transforme un chemin vide en / ; coupe la requête sur &, retire les morceaux vides et les paramètres de pistage, garde le reste exactement tel qu'écrit et dans l'ordre ; pas de ? quand il ne reste rien ; garde le #fragment. C'est noté sur les 40 cas de LINK_CASES plus des liens aléatoires.

Tu as repéré un problème dans cette leçon ? Signale-le · Pose une question sur cette leçon

Cet exercice s'ouvre bientôt

Termine la leçon précédente pour débloquer celle-ci. Tout le cours est gratuit, aucun compte n'est requis, et tu peux lire cette leçon dès maintenant.