RegEx结果在6个字符和7个(+)字符域之间存在差异

Question

我有一个非常简单的函数来获取URL的域。我从返回的字符串中寻找的只是域名(不是'www.example.com'，而是'example.com')。

我正在测试这个功能，除了7个字符长的域外，它似乎很好。

以下是我的样本输入和输出：

输入：http://www.example.com/asdf.html -- OUT：example.com

输入：http://www.1234.com/asdf -- OUT：1234.com

IN：http://www.exampl.com/asdf - OUT http://www.exampl.com/asdf

让我失望的是最后的输入/输出。我不明白当域小于7个字符时，函数为什么要返回www.。

以下是代码：

function getDomain($url = STR_EMP) {
    preg_match("/[a-zA-Z0-9\-\_]{1,63}\.[a-z\.]{2,10}$/", parse_url($url, PHP_URL_HOST), $_domain_tld);
    return $_domain_tld[0];
}


$url1 = "http://www.example.com/asdf.html"; // example.com
$url2 = "http://www.1234.com/asdf"; //1234.com
$url3 = "http://www.exampl.com/asdf"; // www.exampl.com

var_dump(getDomain($url1), getDomain($url2), getDomain($url3));

(产出)

string(11) "example.com"
string(8) "1234.com"
string(14) "www.exampl.com"

我不是RegEx的专家，但6字母域似乎符合表达式中的{1,63}标准。有人能解释为什么6个字符的www.exampl.com域返回www.吗？

有没有一个RegEx，我可以乱搞，以防止这种情况下，较短的URL？

谢谢你的进阶。

更新：

该领域的标准：

some.site.com应该输出site.com

a.nother.site.com还应该输出site.com

Answer 1

您的regex将短域(如www.exampl.com )匹配为：

www         [a-zA-Z0-9\-\_]{1,63}
.           \.
exampl.com  [a-z\.]{2,10}$

较长的域，如www.example.com，其中只有最后一部分符合[a-z\.]{2,10}的10个字符限制，匹配如下：

www         NOT MATCHED
.           NOT MATCHED
example     [a-zA-Z0-9\-\_]{1,63}
.           \.
com         [a-z\.]{2,10}$

之所以会出现这种情况，是因为regex试图尽早匹配，因此只要有可能，就会包括www。

如果您想通常返回最后两个部分，但对于一些特殊情况(如co.uk )，则可以使用以下方法。但是由于这需要在regex中列出所有二级域，所以这不是一个很好的解决方案。

'/[\w-]+\.(co\.uk|[a-z]+)$/'

Answer 2

不要把你的生活复杂化，把getDomain改为

function getDomain($url = STR_EMP) {
    $parse = parse_url($url);
    return str_ireplace('www.', '', $parse['host']);;
}

目前的产出如下：

string(11) "example.com"
string(8) "1234.com"
string(10) "exampl.com"

关于正则表达式，它不仅是长度问题，也是char类问题这里的演示

有关编辑的更新，可以使用以下代码：

function getDomain($url = STR_EMP) {
    preg_match("/[\\w-]{1,63}\\.[a-z]{2,10}$/", parse_url($url, PHP_URL_HOST), $_domain_tld);
    return $_domain_tld[0];
}


$url1 = "http://www.example.com/asdf.html";
$url2 = "http://www.1234.com/asdf";
$url3 = "http://www.exampl.com/asdf";
$url4 = "http://a.nother.site.com";

var_dump(getDomain($url1), getDomain($url2), getDomain($url3), getDomain($url4));

在其中，我更新了regex，使其只匹配TLD的最后一部分。

它产生：

string(11) "example.com"
string(8) "1234.com"
string(10) "exampl.com"
string(8) "site.com"