用于提取域的 re2 正则表达式

Question

在 Google 表格中，我试图从 URL 中提取域名，这些 URL 可能有（也可能没有）http://、https:// 和一个子域（无论是 www. 或类似 mail. 的其他东西）。例如：

• http://www.google.com -> google.com
• mail.yahoo.com -> yahoo.com
• www.my-site.org -> 我的-site.org

Google Sheets 使用 the re2 syntax 作为正则表达式。到目前为止我能做的最好的是： http[s]?://www.([[:alpha:]]*.[[:alpha:]]*)

此正则表达式不适用于我遇到的三个主要场景：

• 当“http(s)”不存在时，我无法弄清楚如何让子域（www.、mail.）也被识别为可选
• 当域名包含非字母数字字符时，例如破折号
• 当顶级域有多个级别时，例如 .co.uk

Answer 1

谨慎使用点字符 . 可以帮助您获得所需的内容。

这里的匹配是利用两个点 \. 的存在完成的，并用点 .:

收集组内的所有内容

([^\.]+\.)?(.*\.[^\.]+)

• 第 1 组将匹配前缀
• 组 2 将匹配域

或者如果您愿意，您可以使用以下方法专门检测后缀和域名：

([^\.]+\.)?(.*)\.([^\.]+)

• 第 1 组将匹配前缀
• 第2组将匹配域名
• 第 3 组将匹配后缀

此正则表达式是否符合您要查找的内容？

Answer 2

使用：

=INDEX(IFERROR(REGEXEXTRACT(A1:A, "^(?:https?:\/\/)?(?:ftp:\/\/)?(?:www\.)?([^\/]+)")))