去 PHP parse_url() 不去的地方 - 仅解析域名

Question

PHP 的 parse_url() 有一个主机字段，其中包括完整的主机。 我正在寻找最可靠（且成本最低）的方法来仅返回域名和 TLD。

给出示例：

• http://www.google.com/foo，parse_url() 返回 www.google .com 表示主机
• http://www.google.co.uk/foo，parse_url()为主机返回 www.google.co.uk

我只查找 google.com 或 google.co.uk。 我考虑了一张有效顶级域名/后缀表，并且只允许使用这些和一个单词。 你会用其他方式做吗？ 有谁知道针对此类事情的预装有效正则表达式？

Answer 1

类似的事情怎么样？

function getDomain($url) {
  $pieces = parse_url($url);
  $domain = isset($pieces['host']) ? $pieces['host'] : '';
  if (preg_match('/(?P<domain>[a-z0-9][a-z0-9\-]{1,63}\.[a-z\.]{2,6})$/i', $domain, $regs)) {
    return $regs['domain'];
  }
  return false;
}

将使用经典的 parse_url 提取域名，然后查找没有任何子域的有效域（www 是子域）。 不适用于“localhost”之类的东西。 如果不匹配任何内容，将返回 false。

//编辑：

尝试一下：

echo getDomain('http://www.google.com/test.html') . '<br/>';
echo getDomain('https://news.google.co.uk/?id=12345') . '<br/>';
echo getDomain('http://my.subdomain.google.com/directory1/page.php?id=abc') . '<br/>';
echo getDomain('https://testing.multiple.subdomain.google.co.uk/') . '<br/>';
echo getDomain('http://nothingelsethan.com') . '<br/>';

它应该返回：

google.com
google.co.uk
google.com
google.co.uk
nothingelsethan.com

当然，如果没有通过parse_url，因此请确保它是格式正确的 URL。

// 附录：

Alnitak 是对的。 上面提出的解决方案适用于大多数情况，但不一定适用于所有情况，并且需要进行维护，以确保它们不是带有 .morethan6 个字符等的新 TLD。 提取域名的唯一可靠方法是使用维护的列表，例如 http://publicsuffix.org/。 一开始会比较痛苦，但从长远来看会更容易、更稳健。 您需要确保了解每种方法的优缺点以及它如何适合您的项目。

Answer 2

目前，唯一“正确”的方法是使用一个列表，例如 http://publicsuffix.org/< 中维护的列表/a>

顺便说一句，这个问题也几乎是重复的：

• 我可以改进此正则表达式检查以查找有效域名吗？
• 从以下位置获取子域a URL

IETF 正在开展标准化工作，着眼于声明 DNS 树中的特定节点是否用于“公共”注册的 DNS 方法，但它们仍处于开发的早期阶段。 所有流行的非 IE 浏览器都使用 publicsuffix.org 列表。

Answer 3

Python 的 tldextract 模块还有一个非常好的移植 http://w-shadow。 com/blog/2012/08/28/tldextract - 这超出了 parse_url 的范围，并允许您实际获取域/tld，而不需要子域。

来自模块网站：

$components = tldextract('http://www.bbc.co.uk');
echo $components->subdomain; // www
echo $components->domain;    // bbc
echo $components->tld;       // co.uk

Answer 4

从相关帖子中挖出此内容，以了解保留表格的想法： http://mxr.mozilla.org/mozilla-central/source/netwerk/dns/src/ effective_tld_names.dat?raw=1

但我宁愿不这样做。

Answer 5

您需要使用公共后缀列表的软件包，只有这样您才能正确提取具有两级、三级TLD的域名（co.uk、a.bg、b.bg 等）和多级子域。 正则表达式、parse_url() 或字符串函数永远不会产生绝对正确的结果。

我建议使用 TLD 提取。 这里是代码示例：

$extract = new LayerShifter\TLDExtract\Extract();

$result = $extract->parse('http://www.google.co.uk/foo');
$result->getSubdomain(); // will return (string) 'www'
$result->getHostname(); // will return (string) 'google'
$result->getSuffix(); // will return (string) 'co.uk'
$result->getRegistrableDomain(); // will return (string) 'google.co.uk'

Answer 6

当然，这取决于您的具体用例，但一般来说，我不会对 TLD 使用表查找。 新 TLD 出现后，您通常不想在任何地方维护它们。 只需询问我的 [email protected] 因短视而被拒绝的频率。

我想如果我知道你为什么不想要 www，我可以提供更好的帮助？ 您需要它来发送电子邮件吗？ 在这种情况下，您可以查询 MX 记录以验证它（最终）接受邮件。

您还可以找到有关处理 DNS 记录的 PHP 函数的帮助，以了解有关它们的更多信息，请参阅 http://php.net例如 /dns_get_record。

Answer 7

只是一个证明，假设允许的顶级域名被存储到哈希中。
代码可以缩短很多。

<?php
    $urlCompoments=parse_url($theUrl);
    $chunk=explode('.',$urlComponents['host']);

    $tldIndex = count($chunk-1); // assume last chunk is tld
    $maxTldLen = 2; // assuming a tld can be in the form .com or .co.uk
    $cursor=1;
    $found=false;
    while(($cursor<=$maxTldLen) or $found) {
      $tls = implode('.',array_slice($chunk, -$cursor));
      $found=isset($tldSuffixesAllowed[$tld]);
      $cursor++;
    }
    if ($found){
       $tld=implode('.',array_slice($chunk, -$cursor));
    } else {
       // domain not recognized, do wathever you want
    }
?>

Answer 8

有一个非常简单的解决方案：

function get_domain($url) {
  $pieces = parse_url($url);
  return array_pop(explode('.', $pieces['host'], 2));
}

这肯定有效吗？