匹配Domain.CCTLD的正则表达式

Question

有人知道匹配Domain.CCTLD的正则表达式吗？我不想要子域，只想要“原子域”。例如，docs.google.com没有得到匹配，但是google.com得到了匹配。但是，像.co.uk、CCTLDs这样的东西会使事情变得复杂。有人知道解决办法吗？提前谢谢。

编辑：--我意识到我还必须处理多个子域，比如john.doe.google.co.uk。现在比以往任何时候都更需要一个解决方案:P。

Answer 1

基于您上面的评论，我将重新解释这个问题--而不是做一个匹配它们的正则表达式，我们将创建一个与它们相匹配的函数，并应用该函数来筛选一个域名列表，只包含第一类域，例如google.com、amazon.co.uk。

首先，我们需要一个TLD的列表。正如Greg提到的，公共后缀列表是一个很好的起点。让我们假设您已经将列表解析为一个名为suffixes的python数组。如果你对此并不满意，我可以添加一些代码来完成它。

suffixes = parse_suffix_list("suffix_list.txt")

现在，我们需要识别给定域名是否与模式匹配的代码-name.后缀：

def is_domain(d):
    for suffix in suffixes:
        if d.endswith(suffix):
            # Get the base domain name without suffix
            base_name = d[0:-(suffix.length + 1)]
            # If it contains '.', it's a subdomain. 
            if not base_name.contains('.'):
                return true
    # If we get here, no matches were found
    return false

Answer 2

听起来，您正在寻找通过公共后缀列表项目可以获得的信息。

“公共后缀”是指互联网用户可以直接注册姓名的后缀。一些公共后缀的例子是".com“、".co.uk”和"pvt.k12.wy.us“。公共后缀列表是所有已知公共后缀的列表。

没有一个正则表达式可以合理地匹配公共后缀列表。您需要实现代码才能使用公共后缀列表，或者找到一个已经这样做的现有库。

Answer 3

我可能会通过获得一个完整的TLD列表并使用它来创建regex来解决这个问题。例如(在Ruby中，对不起，还不是Pythonista )：

tld_alternation = ['\.com','\.co\.uk','\.eu','\.org',...].join('|')
regex = /^[a-z0-9]([a-z0-9\-]*[a-z0-9])?(#{tld_alternation})$/i

我认为，如果不知道TLD的实际列表，就不可能正确区分TLD和子域(也就是说，如果您知道正则表达式是如何工作的，那么始终可以构造一个看起来像TLD的子域)。