从字符串中解析多个 FQDN

Question

给定一个主域，我试图从字符串中提取它及其子域。
例如对于主域 example.co 我想：

仅提取主域和子域 - example.co、www.example.co、uat.smile.example.co
不拾取向右延伸的名称 - 否 www.example.com、www.example.co.nz
忽略 FQDN 中不合法的任何 space 或标点符号作为分隔符

目前我从以下渠道收到不需要的物品：
example.com
example.co.nz
test-me.www.example.co 还包括结尾的 space.

>>> domain = 'example\.co'
>>> line = 'example.com example.co.nz www.example.co. test-me.www.example.co bad.example-co.co'
>>> re.findall("[^\s\',]*{}[\s\'\,]*".format(domain), line)
['example.co', 'example.co', 'www.example.co', 'test-me.www.example.co ']

我应该使用正则表达式吗？如果是这样，将不胜感激有关解决此问题的指导。
否则还有更好的工具吗？

编辑 - 已验证 Marc Lambrichs 的回答，但在以下情况下失败：

import re

pattern = r"((?:[a-zA-Z][\w-]+\.)+{}(?!\w))"
domain = 'google.com'
line = 'google.com mail is handled by 20 alt1.aspmx.l.google.com.'
results = re.findall(pattern.format(re.escape(domain)), line)
print(results)
[]

另外，我想传递像 'google.com' 这样的字符串而不是 'google.com' 并用 re 转义但是 re.escape(domain) 代码 returns 空列表.

Answer 1

您可以为此使用 regex 而无需任何拆分。

$ cat test.py
import re

tests = { 'example.co': 'example.com example.co.nz www.example.co. test-me.www.example.co bad.example-co.co',
          'google.com': 'google.com mail is handled by 20 alt1.aspmx.l.google.com.'}


pattern = r"((?:[a-zA-Z][-\w]*\.)*{}(?!\w))"

for domain,line in tests.iteritems():
    domain = domain.replace(".", "\.")
    results = re.findall(pattern.format(domain), line)
    print results

给出结果：

$ python test.py
['google.com', 'alt1.aspmx.l.google.com']
['example.co', 'www.example.co', 'test-me.www.example.co']

正则表达式的解释

(                  # group 1 start
  (?:              # non-capture group
     [a-zA-Z]      # rfc 1034. start subdomain with a letter
     [\w-]*\.      # 0 or more word chars or '-', followed by '.'
  )*               # repeat this non-capture group 0 or more times
  example.co       # match the domain
  (?!\w)           # negative lookahead: no following word char allowed.
)                  # group 1 end

从字符串中解析多个 FQDN

Parsing several FQDNs from string

python

regex

parsing

fqdn