comment obtenir le nom de domaine à partir de l'URL

Une fois, j'ai dû écrire un tel regex pour une entreprise, j'ai travaillé pour. La solution était:

• Obtenir une liste de tous les ccTLD et gTLD disponibles. Votre premier arrêt devrait être IANA. La liste de Mozilla ressemble beaucoup à première vue, mais manque de ac.royaume-uni, par exemple, pour cela, il n'est pas vraiment utilisable.
• Joindre à la liste comme dans l'exemple ci-dessous. Un avertissement: l'ordre est important! Si org.royaume-uni semblerait, d'après royaume-uni puis exemple.org.royaume-uni correspondent à org au lieu de exemple.

Exemple regex:

.*([^\.]+)(com|net|org|info|coop|int|co\.uk|org\.uk|ac\.uk|uk|__and so on__)$

Cela a fonctionné très bien et correspond aussi bizarre, non officiels de haut niveaux comme de.com et amis.

L'envers:

• Très rapide si la regex est parfaitement ordonné

L'inconvénient de cette solution est bien sûr:

• Manuscrite regex qui doit être mis à jour manuellement si cctld modifier ou ajouté. Travail fastidieux!
• Très grande regex donc pas très lisible.

Extraire le nom de Domaine avec précision peut être très difficile, principalement parce que l'extension de domaine peut contenir 2 pièces (comme des .com.au ou .co.royaume-uni) et le sous-domaine (le préfixe) peut ou peut ne pas être là. Liste de toutes les extensions de nom de domaine n'est pas une option, car il y a des centaines de ces. EuroDNS.com par exemple des listes de plus de 800 extensions de nom de domaine.

J'ai donc écrit une fonction php qui utilise 'parse_url()' et quelques observations à propos des extensions de domaine à extraire avec précision l'url des composants ET le nom de domaine. La fonction est la suivante:

function parse_url_all($url){
    $url = substr($url,0,4)=='http'? $url: 'http://'.$url;
    $d = parse_url($url);
    $tmp = explode('.',$d['host']);
    $n = count($tmp);
    if ($n>=2){
        if ($n==4 || ($n==3 && strlen($tmp[($n-2)])<=3)){
            $d['domain'] = $tmp[($n-3)].".".$tmp[($n-2)].".".$tmp[($n-1)];
            $d['domainX'] = $tmp[($n-3)];
        } else {
            $d['domain'] = $tmp[($n-2)].".".$tmp[($n-1)];
            $d['domainX'] = $tmp[($n-2)];
        }
    }
    return $d;
}

Cette simple fonction fonctionne dans presque tous les cas. Il y a quelques exceptions, mais elles sont très rares.

Pour démontrer /tester cette fonction, vous pouvez utiliser les éléments suivants:

$urls = array('www.test.com', 'test.com', 'cp.test.com' .....);
echo "<div style='overflow-x:auto;'>";
echo "<table>";
echo "<tr><th>URL</th><th>Host</th><th>Domain</th><th>Domain X</th></tr>";
foreach ($urls as $url) {
    $info = parse_url_all($url);
    echo "<tr><td>".$url."</td><td>".$info['host'].
    "</td><td>".$info['domain']."</td><td>".$info['domainX']."</td></tr>";
}
echo "</table></div>";

La sortie sera comme suit pour l'adresse URL de la liste:

Comme vous pouvez le voir, le nom de domaine et le nom de domaine sans extension sont toujours extraites quelle que soit l'URL qui est présenté à la fonction.

J'espère que cela aide.

Il y a deux façons

À l'aide de split

Puis juste analyser cette chaîne

var domain;
//find & remove protocol (http, ftp, etc.) and get domain
if (url.indexOf('://') > -1) {
    domain = url.split('/')[2];
} if (url.indexOf('//') === 0) {
    domain = url.split('/')[2];
} else {
    domain = url.split('/')[0];
}

//find & remove port number
domain = domain.split(':')[0];

En Utilisant Les Regex

 var r = /:\/\/(.[^/]+)/;
 "http://stackoverflow.com/questions/5343288/get-url".match(r)[1] 
 => stackoverflow.com

Espère que cette aide

Fondamentalement, ce que vous voulez, c'est:

google.com        -> google.com    -> google
www.google.com    -> google.com    -> google
google.co.uk      -> google.co.uk  -> google
www.google.co.uk  -> google.co.uk  -> google
www.google.org    -> google.org    -> google
www.google.org.uk -> google.org.uk -> google

Facultatif:

www.google.com     -> google.com    -> www.google
images.google.com  -> google.com    -> images.google
mail.yahoo.co.uk   -> yahoo.co.uk   -> mail.yahoo
mail.yahoo.com     -> yahoo.com     -> mail.yahoo
www.mail.yahoo.com -> yahoo.com     -> mail.yahoo

Vous n'avez pas besoin de construire un monde changeant regex comme 99% des domaines seront appariés correctement si vous regardez simplement la 2e de la dernière partie du nom:

(co|com|gov|net|org)

Si c'en est un, alors vous avez besoin pour correspondre à 3 points, d'autre 2. Simple. Maintenant, ma regex wizardry est pas de match pour que de la, des livres, de sorte que le meilleur moyen que j'ai trouvé pour y parvenir est avec un peu de code, en supposant que vous avez déjà dépouillé de l'path:

 my @d=split /\./,$domain;                # split the domain part into an array
 $c=@d;                                   # count how many parts
 $dest=$d[$c-2].'.'.$d[$c-1];             # use the last 2 parts
 if ($d[$c-2]=~m/(co|com|gov|net|org)/) { # is the second-last part one of these?
   $dest=$d[$c-3].'.'.$dest;              # if so, add a third part
 };
 print $dest;                             # show it

Pour obtenir juste le nom, comme par votre question:

 my @d=split /\./,$domain;                # split the domain part into an array
 $c=@d;                                   # count how many parts
 if ($d[$c-2]=~m/(co|com|gov|net|org)/) { # is the second-last part one of these?
   $dest=$d[$c-3];                        # if so, give the third last
   $dest=$d[$c-4].'.'.$dest if ($c>3);    # optional bit
 } else {
   $dest=$d[$c-2];                        # else the second last
   $dest=$d[$c-3].'.'.$dest if ($c>2);    # optional bit 
 };
 print $dest;                             # show it

J'aime cette approche, car il est exempt d'entretien. Sauf si vous voulez valider le fait que c'est en fait un domaine légitime, mais c'est un peu inutile, parce que vous avez le plus de chances que l'utilisation de ce traiter les fichiers journaux et un domaine non valide de ne pas trouver son chemin dans la là en premier lieu.

Si vous souhaitez correspondre à "officieux" des sous-domaines tels que bozo.za.net ou bozo.de l'ua.royaume-uni, bozo.msf.ru juste ajouter (za|au|msf) pour l'expression rationnelle.

Je serais ravi de voir quelqu'un faire tout cela en utilisant simplement une regex, je suis sûr que c'est possible.

/[^w{3}\.]([a-zA-Z0-9]([a-zA-Z0-9\-]{0,65}[a-zA-Z0-9])?\.)+[a-zA-Z]{2,6}/gim

l'utilisation de ce javascript regex ignore www et à la suite de dot, tout en conservant le domaine intact. aussi bien ne correspond à aucun " www et de cc tld

Donc si vous avez une chaîne et non une fenêtre.l'emplacement vous pouvez utiliser...

String.prototype.toUrl = function(){
if(!this && 0 < this.length)
{
return undefined;
}
var original = this.toString();
var s = original;
if(!original.toLowerCase().startsWith('http'))
{
s = 'http://' + original;
}
s = this.split('/');
var protocol = s[0];
var host = s[2];
var relativePath = '';
if(s.length > 3){
for(var i=3;i< s.length;i++)
{
relativePath += '/' + s[i];
}
}
s = host.split('.');
var domain = s[s.length-2] + '.' + s[s.length-1];    
return {
original: original,
protocol: protocol,
domain: domain,
host: host,
relativePath: relativePath,
getParameter: function(param)
{
return this.getParameters()[param];
},
getParameters: function(){
var vars = [], hash;
var hashes = this.original.slice(this.original.indexOf('?') + 1).split('&');
for (var i = 0; i < hashes.length; i++) {
hash = hashes[i].split('=');
vars.push(hash[0]);
vars[hash[0]] = hash[1];
}
return vars;
}
};};

Comment l'utiliser.

var str = "http://en.wikipedia.org/wiki/Knopf?q=1&t=2";
var url = str.toUrl;
var host = url.host;
var domain = url.domain;
var original = url.original;
var relativePath = url.relativePath;
var paramQ = url.getParameter('q');
var paramT = url.getParamter('t');

Utiliser cette
(.)(.*?)(.)
ensuite, il suffit d'extraire le leader et les points de fin.
Facile, droit?

Je sais que la question est à la recherche d'une expression régulière de la solution, mais à chaque tentative, il ne fonctionnera pas pour couvrir tout

J'ai décidé d'écrire cette méthode en Python qui fonctionne uniquement avec des url qui ont un sous-domaine (c'est à dire http://www.mydomain.co.uk) et ne multiples au niveau des sous-domaines comme www.mail.yahoo.com

def urlextract(url):
url_split=url.split(".")
if len(url_split) <= 2:
raise Exception("Full url required with subdomain:",url)
return {'subdomain': url_split[0], 'domain': url_split[1], 'suffix': ".".join(url_split[2:])}

/^(?:https?:\/\/)?(?:www\.)?([^\/]+)/i