6 个字符和 7(+) 个字符域之间的正则表达式结果不同

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”）。

我正在测试该功能，除了长度小于 7 个字符的域外，它似乎没问题。

这是我的示例输入和输出：

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

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

输入：http://www.exampl.com/asdf -- 输出 www.exampl.com

让我失望的是最后一个输入/输出。我不明白为什么当域少于 7 个字符时函数会返回 www.。

代码如下：

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));

（输出）

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

我不是 RegEx 的专家，但看起来 6 个字母的域符合表达式中的 {1,63} 标准。有人可以解释为什么 6 字符 www.exampl.com 域返回 www. 吗？

有没有我可以使用的 RegEx 来防止较短的 URL 出现这种情况？

提前致谢。

更新：

域的标准：

some.site.com 应该输出site.com

a.nother.site.com 也应该输出site.com

Answer 1

不要把你的生活过度复杂化，把getDomain改成

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

现在的输出是：

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

---

关于你的正则表达式，这不仅是一个长度问题，也是一个字符类问题demo here

---

关于您的编辑的更新，您可以使用此代码：

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));

我在其中更新了正则表达式以仅匹配 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"

Answer 2

您的正则表达式匹配像 www.exampl.com 这样的短域：

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

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

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

这些发生是因为正则表达式会尽可能早地进行匹配，所以只要有可能，www 就会被包含在内。

如果您通常想返回最后两个部分，但对于一些特殊情况（如 co.uk），则返回最后 3 个，您可以使用以下操作。但由于这需要在正则表达式中列出所有二级域，所以这不是一个好的解决方案。

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