正则表达式匹配域名及其顶级域名（CCTLD）

Question

有没有人知道一个正则表达式来匹配域名.CCTLD？我不想要子域名，只想要“原子域名”。例如，docs.google.com不能匹配，但是google.com可以。然而，像.co.uk这样的CCTLD会让问题变得更加复杂。有没有人知道解决方案？提前感谢。

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

- Tom

---

你是否需要明确使用正则表达式，还是一个函数就足够了？ - Benson

这将成为一个相当大的正则表达式，因为您需要将所有ccSLD视为特殊情况，并且有很多（我是说很多）ccSLD。巴西有66个！ - You

@Benson，只要在长列表中找到domain.cctld，函数就可以工作。 - Tom

可能是 从URL获取子域名 的重复问题。 - Greg Hewgill

Answer 1

看起来你正在寻找通过Public Suffix List项目获得的信息。

“公共后缀”是互联网用户可以直接注册名称的一种。一些公共后缀的例子包括“.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。

没有单个正则表达式能够合理地匹配公共后缀列表。您需要实现代码来使用公共后缀列表，或者找到一个已经这样做的现有库。

- Greg Hewgill

---

有趣且可能非常有用的列表。 - You

谢谢，Greg。那绝对是正确的答案。在http://www.dkim-reputation.org/regdom-libs/上有几种语言可以进行公共后缀列表处理的库。 - Anirvan

@Anirvan，你知道Python里有相应的库吗？你发布的那个库只有C、PHP和Perl版本。 - Tom

@Tom：一年多以后，这里有一个处理任务的Python包：http://pypi.python.org/pypi/publicsuffix - Martijn Pieters

Answer 2

根据您上面的评论，我将重新解释问题 - 我们将创建一个函数来匹配它们，并将该函数应用于过滤包含一级域名（例如google.com、amazon.co.uk）的域名列表。首先，我们需要一个TLDs列表。正如Greg所提到的，公共后缀列表是一个很好的起点。假设您已经将列表解析为名为suffixes的Python数组。如果您对此不熟悉，请发表评论，我可以添加一些代码来完成它。

suffixes = parse_suffix_list("suffix_list.txt")

现在我们需要编写代码来确定给定的域名是否与模式 some-name.suffix 匹配：

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

- Benson

---

谢谢！我可以从这里找到路了。 - Tom

现在你可以使用一个简单但出色的Python包来完成这项繁重的工作：http://pypi.python.org/pypi/publicsuffix。 - Martijn Pieters

Answer 3

我可能会通过获取TLD的完整列表并使用它来创建正则表达式来解决这个问题。例如（在Ruby中，抱歉，我还不是Pythonista）：

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

我认为如果不知道实际的顶级域名列表（即：如果您知道正则表达式是如何工作的，您总是可以构造一个看起来像顶级域名的子域名），就无法正确区分真正的双部分顶级域名和子域名。

- Mike Tunnicliffe