正则从URL中提取一级域名，支持大部分域名

JSON 2018-02-27 09:47:02 61255

在改造ICP备案系统的同时，优化一些用户体验，其中查询域名ICP备案，只需要使用一级域名查询即可，原系统不会做区分，导致数据有点混乱，今天就要把这个问题解决掉。

ICP备案查询：https://icp.sojson.com

正则思路

基础正则表达式：([a-z0-9--]{1,200})\.([a-z]{2,10})(\.[a-z]{2,10})? ，为了清晰表达就不用替代表达式了。

解说：

1、([a-z0-9--]{1,200})，域名的主干部分。比如 sojson.com，就是为了匹配 sojson部分。

2、\.，匹配sojson.com 中间的点“.”。

3、([a-z]{2,10})，匹配 sojson.com 中的后置“com”。

4、(\.[a-z]{2,10})?，匹配如有多级后缀，如sojson.com.cn 的“.cn”，后面加问好“?”表示可以有或者没有。

如果有同学测试了就知道，这个不是很合理，因为他会匹配前面的二级、三级域名之类的。因为是从头开始。正则有从后开始的设置，我不会，也测试了下，效果不明显，而且如果当url带参数。https://icp.sojson.com/?q=www.baidu.com ,从后查找就会获取到了www.baidu.com。这明显不是我想要的。

正则长篇大论法

最终我选择了这个，我把国内常用的域名都写清楚。从前往后查找，暂时这么用，有好建议希望提出来。在下面留言。

直接上代码：

public static void main(String[] args) {
    String url = "https://www.sojson.com/regex/generate";
    String pattern  = "([a-z0-9--]{1,200})\\.(ac.cn|bj.cn|sh.cn|tj.cn|cq.cn|he.cn|sn.cn|sx.cn|nm.cn|ln.cn|jl.cn|hl.cn|js.cn|zj.cn|ah.cn|fj.cn|jx.cn|sd.cn|ha.cn|hb.cn|hn.cn|gd.cn|gx.cn|hi.cn|sc.cn|gz.cn|yn.cn|gs.cn|qh.cn|nx.cn|xj.cn|tw.cn|hk.cn|mo.cn|xz.cn" +
            "|com.cn|net.cn|org.cn|gov.cn|我爱你|在线|中国|网址|网店|中文网|公司|网络|集团" +
            "|com|cn|cc|org|net|xin|xyz|vip|shop|top|club|wang|fun|info|online|tech|store|site|ltd|ink|biz|group|link|work|pro|mobi|ren|kim|name|tv|red" +
            "|cool|team|live|pub|company|zone|today|video|art|chat|gold|guru|show|life|love|email|fund|city|plus|design|social|center|world|auto)";


    Pattern r = Pattern.compile(pattern);
    Matcher m = r.matcher(url);
    while (m.find()){
        url = m.group();
    }
    System.out.println(url);
}

有个小注意点，需要把多级结尾的域名写在前面。因为正则匹配也是从前往后匹配的。

可能有的人不知道，gx.cn 这种结尾的是什么，是我国各种省份的域名，比如gx.cn就是广西省的。

优化版

还是有点问题，用获取Host方式，再次加工了一次。封装后代码如下：

/**
 * 从URL中从前到后提取 一级域名
 * @param url
 * @return
 */
public static String getDomainByUrl(String url){
    if(isBlank(url)){
        return url;
    }
    String pattern  = "([a-z0-9--]{1,200})\\.(ac.cn|bj.cn|sh.cn|tj.cn|cq.cn|he.cn|sn.cn|sx.cn|nm.cn|ln.cn|jl.cn|hl.cn|js.cn|zj.cn|ah.cn|fj.cn|jx.cn|sd.cn|ha.cn|hb.cn|hn.cn|gd.cn|gx.cn|hi.cn|sc.cn|gz.cn|yn.cn|gs.cn|qh.cn|nx.cn|xj.cn|tw.cn|hk.cn|mo.cn|xz.cn" +
            "|com.cn|net.cn|org.cn|gov.cn|.com.hk|我爱你|在线|中国|网址|网店|中文网|公司|网络|集团" +
            "|com|cn|cc|org|net|xin|xyz|vip|shop|top|club|wang|fun|info|online|tech|store|site|ltd|ink|biz|group|link|work|pro|mobi|ren|kim|name|tv|red" +
            "|cool|team|live|pub|company|zone|today|video|art|chat|gold|guru|show|life|love|email|fund|city|plus|design|social|center|world|auto|.rip|.ceo|.sale|.hk|.io|.gg|.tm|.gs|.us)$";


    if(url.startsWith("http:")||url.startsWith("https:")){
        url =  getHost(url);
    }else{
        url =  getHost("http://" +url);
    }
    Pattern r = Pattern.compile(pattern);
    Matcher m = r.matcher(url);
    while (m.find()){
        url = m.group();
    }
    return url;
}

有好的建议在下面留言。谢谢！