Извлечь основное доменное имя из заданного URL-адреса

Я использовал следующее для извлечения домена из URL: (они являются тестовыми примерами)

String regex = "^(ww[a-zA-Z0-9-]{0,}\\.)";
ArrayList<String> cases = new ArrayList<String>();
cases.add("www.google.com");
cases.add("ww.socialrating.it");
cases.add("www-01.hopperspot.com");
cases.add("wwwsupernatural-brasil.blogspot.com");
cases.add("xtop10.net");
cases.add("zoyanailpolish.blogspot.com");

for (String t : cases) {  
    String res = t.replaceAll(regex, "");  
}

Я могу получить следующие результаты:

google.com
hopperspot.com
socialrating.it
blogspot.com
xtop10.net
zoyanailpolish.blogspot.com

Первые четыре случая хороши. Последнее плохо. Я хочу: blogspot.com для последнего, но он дает zoyanailpolish.blogspot.com. Что я делаю неправильно?

Ответы

Ответ 1

Как было предложено BalusC и другими, наиболее практичным решением было бы получить список TLD (см. этот list), сохраните их в файл, загрузить их, а затем определить, какой TLD используется данной строкой URL. Оттуда вы можете составить основное доменное имя следующим образом:

    String url = "zoyanailpolish.blogspot.com";

    String tld = findTLD( url ); // To be implemented. Add to helper class ?

    url = url.replace( "." + tld,"");  

    int pos = url.lastIndexOf('.');

    String mainDomain = "";

    if (pos > 0 && pos < url.length() - 1) {
        mainDomain = url.substring(pos + 1) + "." + tld;
    }
    // else: Main domain name comes out empty

Сведения о реализации остаются за вами.

Ответ 3

Получить хост через REGEX довольно сложно или невозможно, потому что TLD не подчиняются простым правилам, но предоставляются ICANN и изменяются во времени.

Вместо этого вы должны использовать функциональность, предоставляемую библиотекой JAVA следующим образом:

URL myUrl = new URL(urlString);
myUrl.getHost();

Ответ 4

Это 2013 год и решение, которое я нашел, прямолинейно:

System.out.println(InternetDomainName.fromLenient(uriHost).topPrivateDomain().name());

Ответ 5

Это намного проще:

  try {
        String domainName = new URL("http://www.zoyanailpolish.blogspot.com/some/long/link").getHost();

        String[] levels = domainName.split("\\.");
        if (levels.length > 1)
        {
            domainName = levels[levels.length - 2] + "." + levels[levels.length - 1];
        }

        // now value of domainName variable is blogspot.com
    } catch (Exception e) {}

Ответ 6

Причина, по которой вы видите zoyanailpolish.blogspot.com, заключается в том, что ваше регулярное выражение находит только строки, начинающиеся с символа 'ww'. Что вы спрашиваете, так это то, что помимо удаления всех строк, начинающихся с "ww", он также должен работать для строки, начинающейся с "zoyanailpolish" (?). В этом случае используйте регулярное выражение String regex = "^((ww|z|a)[a-zA-Z0-9-]{0,}\\.)"; Это приведет к удалению любого слова, которое начинается с "ww" или "z" или "a". Настройте его на основе того, что вам нужно.

Ответ 7

InternetDomainName.from("test.blogspot.com").topPrivateDomain() -> test.blogspot.com

Это работает лучше в моем случае:

InternetDomainName.from("test.blogspot.com").topDomainUnderRegistrySuffix() -> blogspot.com

Подробности: https://github.com/google/guava/wiki/InternetDomainNameExplained