夏日博客

A-A+

PHP提取出长URL中的根域名

2019年10月20日 PHP技术文章 评论 2 条 阅读 0 views 次

在采集的项目中，遇到各种各样的URL，因为要采集国外的内容，涉及到.jp，.ca，hk等域名，但前面又有各类的二级域名，这就导致我们在取根域名的时候遇到一定难度，我们来看一下网址，如：http://blog.ab.cc.win.aisa.hk/index.php 突然一看，是不是懵逼得不行，当然，如果用人眼看的话，一眼就看出来是 .hk 的域名，但我想要把 .hk 的域名使用 php 给提取出来，网上有许多的代码，但都不能得到正确的答案，所以只能索性写一个，也希望大家给提出其中的bug来，代码如下：

  1. <?php   
  2.   
  3. #使用示例  
  4.   
  5. echo getBaseDomain('http://blog.jp.goo.ne.jp/index.php')->domain;echo "\n";  
  6.   
  7. echo getBaseDomain('http://51.ca/index.php')->domain;echo "\n";  
  8.   
  9. echo getBaseDomain('http://blog.ab.cc.win.aisa.hk/index.php')->domain;echo "\n";  
  10.   
  11. function getBaseDomain($url=''){  
  12.   
  13.   if(!$url){  
  14.   
  15.     return $url;  
  16.   
  17.   }  
  18.   
  19.   #列举域名中固定元素  
  20.   
  21.   $state_domain = array(  
  22.   
  23. 'al','dz','af','ar','ae','aw','om','az','eg','et','ie','ee','ad','ao','ai','ag','at','au','mo','bb','pg','bs','pk','py','ps','bh','pa','br','by','bm','bg','mp','bj','be','is','pr','ba','pl','bo','bz','bw','bt','bf','bi','bv','kp','gq','dk','de','tl','tp','tg','dm','do','ru','ec','er','fr','fo','pf','gf','tf','va','ph','fj','fi','cv','fk','gm','cg','cd','co','cr','gg','gd','gl','ge','cu','gp','gu','gy','kz','ht','kr','nl','an','hm','hn','ki','dj','kg','gn','gw','ca','gh','ga','kh','cz','zw','cm','qa','ky','km','ci','kw','cc','hr','ke','ck','lv','ls','la','lb','lt','lr','ly','li','re','lu','rw','ro','mg','im','mv','mt','mw','my','ml','mk','mh','mq','yt','mu','mr','us','um','as','vi','mn','ms','bd','pe','fm','mm','md','ma','mc','mz','mx','nr','np','ni','ne','ng','nu','no','nf','na','za','aq','gs','eu','pw','pn','pt','jp','se','ch','sv','ws','yu','sl','sn','cy','sc','sa','cx','st','sh','kn','lc','sm','pm','vc','lk','sk','si','sj','sz','sd','sr','sb','so','tj','tw','th','tz','to','tc','tt','tn','tv','tr','tm','tk','wf','vu','gt','ve','bn','ug','ua','uy','uz','es','eh','gr','hk','sg','nc','nz','hu','sy','jm','am','ac','ye','iq','ir','il','it','in','id','uk','vg','io','jo','vn','zm','je','td','gi','cl','cf','cn','yr','com','arpa','edu','gov','int','mil','net','org','biz','info','pro','name','museum','coop','aero','xxx','idv','me','mobi','asia','ax','bl','bq','cat','cw','gb','jobs','mf','rs','su','sx','tel','travel'  
  24.   
  25.   );  
  26.   
  27.   if(!preg_match("/^http/is", $url)){  
  28.   
  29.     $url="http://".$url;  
  30.   
  31.   }  
  32.   
  33.   $res = null;  
  34.   
  35.   $res->domain = null;  
  36.   
  37.   $res->host = null;  
  38.   
  39.   $url_parse = parse_url(strtolower($url));  
  40.   
  41.   $urlarr = explode(".", $url_parse['host']);  
  42.   
  43.   $count = count($urlarr);  
  44.   
  45.   if($count <= 2){  
  46.   
  47.     #当域名直接根形式不存在host部分直接输出  
  48.   
  49.     $res->domain = $url_parse['host'];  
  50.   
  51.   }elseif($count > 2){  
  52.   
  53.     $last = array_pop($urlarr);  
  54.   
  55.     $last_1 = array_pop($urlarr);  
  56.   
  57.     $last_2 = array_pop($urlarr);  
  58.   
  59.     $res->domain = $last_1.'.'.$last;  
  60.   
  61.     $res->host = $last_2;  
  62.   
  63.     if(in_array($last, $state_domain)){  
  64. //www.xiariboke.net  
  65.       $res->domain=$last_1.'.'.$last;  
  66.   
  67.       $res->host=implode('.', $urlarr);  
  68.   
  69.     }  
  70.   
  71.     if(in_array($last_1, $state_domain)){  
  72.   
  73.       $res->domain = $last_2.'.'.$last_1.'.'.$last;  
  74.   
  75.       $res->host = implode('.', $urlarr);  
  76.   
  77.     }  
  78.   
  79.     #print_r(get_defined_vars());die;  
  80.   
  81.   }  
  82.   
  83.   return $res;  
  84.   
  85. }  
  86. ?>  

首先我们定义一个 getBaseDomain 的 function 方法，然后直接使用实例来获取URL的根域名即可，实例如 echo getBaseDomain('http://blog.jp.goo.ne.jp/index.php')->domain;echo "\n";，获取到根域名之后，就可以得到下一步的使用。

标签：

2 条留言  访客：2 条  博主：0 条

  1. 自考心得 2020年11月20日 下午 6:32  -199楼  回复

    牛啊博主！！！

  2. 无本创客 2019年10月21日 下午 5:00  -198楼  回复

    站长厉害了

给我留言