提取主机+路径中的一个文件夹

Question

你能帮我找出一个正则表达式，

1. 当其后面的路径中没有指定文件夹时，该正则表达式将从 url:

   host name 中提取 例如

   http://jj.com/'-> 'jj.com
   http://jj.com/index.php'-> 'jj.com
   http://jj.com/query?q=http://kk.uk' -> 'jj.com
   

2. 主机名 + 路径中的一个文件夹（当路径中至少指定了一个文件夹时） 例如

   'http://jj.com/site/index.php' -> 'jj.com/site'
   'http://jj.com/site/second/aldldls.html' -> 'jj.com/site'
   

是否可以仅使用一个正则表达式来做到这一点？

顺便说一句，我将使用 hive 中的 regex_extract 函数，但任何可以做到这一点的正则表达式变体（例如 perl 正则表达式）都将非常有用。

Answer 1

use 5.010;
use URI;

for (
    'http://jj.com/',
    'http://jj.com/index.php',
    'http://jj.com/query?q=http://kk.uk',
    'http://jj.com/site/index.php',
    'http://jj.com/site/second/aldldls.html',
) {
    my $u = URI->new($_);
    say (
        ($u->path_segments)[2]
            ? join q(/), $u->host, ($u->path_segments)[1]
            : $u->host
    );
}

输出

jj.com
jj.com
jj.com
jj.com/site
jj.com/site

Answer 2

#!/usr/bin/perl

use strict;
use warnings;

for (<DATA>) {
    s!^http://([^/]+/([^\?/]+/)?).*!$1!;
    s!/\s*$!!;
    print "$_\n";
}

__DATA__
http://jj.com/
http://jj.com/index.php
http://jj.com/query?q=http://kk.uk
http://jj.com/site/index.php
http://jj.com/site/second/aldldls.html

输出：

jj.com
jj.com
jj.com
jj.com/site
jj.com/site