新手求分解域名=>(主机名 ,域名，后缀)完美正则-_-!

[多加旺]

将域名解析为 (主机名 ,域名，后缀)
例如:
www.baidu.com => ("www.","baidu",".com")
abc.baidu.com.cn => ("abc.","baidu",".com.cn")
baidu.com => ("www.","baidu",".com")
baidu.com.cn => ("www.","baidu",".com.cn")
www.wx.js.cn => ("www.","wx",".js.cn")
wx.js.cn => ("www.","wx",".js.cn")

后缀不单单.com .net .cn，而是要所有的可能形式.com.info.net.me.mobi.org.us.biz.xxx.ca.mx.tv.ws.com.ag.net.ag.org.ag.ag .js.cn 还有很多

我的正则:
([a-z0-9_-]{1,32}\.)+([a-z0-9_-]{1,32})((\.[a-z]{2,4})(.[a-z]{1,2})?)"

说明:
主机: ([a-z0-9_-]{1,32}\.)+
域名: ([a-z0-9_-]{1,32})
后缀: ((\.[a-z]{2,4})(.[a-z]{1,2})?)"

我的代码:

import re

def phraseDomainName(namestr):
    if namestr.count('''.''')<1:
        return False
    if namestr.count('''.''')==1:
        namestr="www."+namestr;    
    regex="([a-z0-9_-]{1,32}\.)+([a-z0-9_-]{1,32})((\.[a-z]{2,4})(.[a-z]{1,2})?)"
    match = re.search(regex,namestr)    
    if match.group(1)!= None:
        hostname=match.group(1)
    else:
        hostname=""            
    if match.group(2)!= None:
        domain=match.group(2)                 
    else:
        return False
    if match.group(3)!= None:
        suffix=match.group(3)       
    else:
        return False        
    return (hostname,domain,suffix)

while True:
    domain=input("input url:")
    print(phraseDomainName(domain))
input("end")

当前遇到wx.js.cn abc.com.cn 不能正确解析

[xuzhijian17]

前面没www的也要加上www吗

[多加旺]

我加www.是为了域名的完整性，满足下面的判断。

例如abc.com wx.js.cn 需要加
我的代码只判断了只有一个点的情况加了"www."

[angel_su]

加判断嘛，简单字符串处理就好，用正则貌似更乱了...

[iambic]

先把单元测试写出来。

[libralibra]

没用正则,纯字符串处理,但是二级域名例如.com.cn这种,如果有多个,需自己扩充替换list,这个不会很多的.

代码

#! /usr/bin/env python

def parseURL(url):
    lookList = ['.com.cn'] # expand this list if necessary
    backList = ['.comcn'] # mapped to lookList one by one
    
    for i in range(len(lookList)):
        if lookList[i] in url:
            url = url.replace(lookList[i],backList[i])

    if url.count('.')==1 and not url.startswith('www.'):
        url = 'www.'+url
    firstDot = url.index('.')
    secondDot = url[firstDot+1:len(url)].index('.')+firstDot+1

    for i in range(len(backList)):
        if backList[i] in url:
            url = url.replace(backList[i],lookList[i])
            
    return (url[:firstDot],url[firstDot+1:secondDot],url[secondDot+1:])

def main():
    testurl = ['www.baidu.com','abc.baidu.com.cn','baidu.com','baidu.com.cn','www.wx.js.cn','wx.js.cn']
    for url in testurl:
        print url, parseURL(url)

# unit test
if __name__=='__main__':
    main()

测试结果:

www.baidu.com ('www', 'baidu', 'com')
abc.baidu.com.cn ('abc', 'baidu', 'com.cn')
baidu.com ('www', 'baidu', 'com')
baidu.com.cn ('www', 'baidu', 'com.cn')
www.wx.js.cn ('www', 'wx', 'js.cn')
wx.js.cn ('wx', 'js', 'cn')

[libralibra]

昨天漏看了最后一个wx.js.cn这个二级域名,把.js.cn添加到list就ok了

#! /usr/bin/env python

def parseURL(url):
    lookList = ['.com.cn','.js.cn'] # expand this list if necessary
    backList = ['.comcn','.jscn'] # mapped to lookList one by one

    # replace 2nd level domain
    for i in range(len(lookList)):
        if lookList[i] in url:
            url = url.replace(lookList[i],backList[i])

    # split
    if url.count('.')==1 and not url.startswith('www.'):
        url = 'www.'+url
    firstDot = url.index('.')
    secondDot = url[firstDot+1:len(url)].index('.')+firstDot+1

    # recover 2nd level domain
    for i in range(len(backList)):
        if backList[i] in url:
            url = url.replace(backList[i],lookList[i])

    # return
    return (url[:firstDot],url[firstDot+1:secondDot],url[secondDot+1:])

def main():
    testurl = ['www.baidu.com','abc.baidu.com.cn','baidu.com','baidu.com.cn','www.wx.js.cn','wx.js.cn']
    for url in testurl:
        print url, parseURL(url)

if __name__=='__main__':
    main()

结果:

>>> ================================ RESTART ================================
>>> 
www.baidu.com ('www', 'baidu', 'com')
abc.baidu.com.cn ('abc', 'baidu', 'com.cn')
baidu.com ('www', 'baidu', 'com')
baidu.com.cn ('www', 'baidu', 'com.cn')
www.wx.js.cn ('www', 'wx', 'js.cn')
wx.js.cn ('www', 'wx', 'js.cn')
>>>