regex - 正则表达式 - 解析域问题

Question

我正在尝试查找域 - 除了子域之外的所有内容。

我现在有这个正则表达式:

(?:[-a-zA-Z0-9]+\.)*([-a-zA-Z0-9]+(?:\.[a-zA-Z]{2,3})){1,2}

这适用于以下情况:

domain.tld
subdomain.tld

但是它会遇到“.com.au”或“.co.uk”等顶级域名的麻烦:

domain.co.uk (finds co.uk, should find domain.co.uk)
subdomain.domain.co.uk (finds co.uk, should find domain.co.uk)

有什么想法吗？

Answer 1

我不确定这个问题是否“可以合理解决”； Mozilla 维护 a list of 'public suffix' domains其目的是帮助浏览器作者仅接受一个管理控制范围内的域的 cookie(例如，防止某人设置对 *.co.uk. 或 *.union.aero 有效的 cookie。 )。它显然并不完美(接近尾声时，您会发现一长串 is-a-caterer.com 样式的域，因此 foo.is-a-caterer.com 无法设置 bar.is-a-caterer.com 使用的 cookie，但 is-a-caterer.com 完全没问题您定义的“域”。)

因此，如果您准备使用所提供的列表，您可以编写一个快速的小型解析器，它知道如何应用一般规则和异常(exception)来确定给定输入字符串中您的“域”的位置，并且仅返回您感兴趣的部分。

我认为更简单的方法注定会失败:一些ccTLDs例如 .ca 不使用二级域名，有些如 .br 使用数十个，有些如 lib.or.us 距离“域”有几个级别，例如 multnomah.lib.or.us。除非您使用哪些域是公共(public)后缀的精选列表，否则您注定会在某些重要的输入字符串集上出错。