Puis-je améliorer cette vérification des expressions régulières pour les noms de domaine valides?

Question

Donc, j'ai travaillé sur cette expression régulière de nom de domaine. Jusqu'à présent, il semble s'agir de noms de domaine avec des SLD et des TLD (avec le ccTLD optionnel), mais il y a une duplication de la liste de TLD. Cela peut-il être réécrit plus loin?

params[:domain_name].downcase.strip.match(/^[a-z0-9\-]{2,63} 
\.((a[cdefgilmnoqrstuwxz]|aero|arpa)|(b[abdefghijmnorstvwyz]|biz)| 
(c[acdfghiklmnorsuvxyz]|cat|com|coop)|d[ejkmoz]|(e[ceghrstu]|edu)|f[ijkmor]| 
(g[abdefghilmnpqrstuwy]|gov)|h[kmnrtu]|(i[delmnoqrst]|info|int)| 
(j[emop]|jobs)|k[eghimnprwyz]|l[abcikrstuvy]| 
(m[acdghklmnopqrstuvwxyz]|me|mil|mobi|museum)|(n[acefgilopruz]|name|net)|(om|org)| 
(p[aefghklmnrstwy]|pro)|qa|r[eouw]|s[abcdeghijklmnortvyz]| 
(t[cdfghjklmnoprtvwz]|travel)|u[agkmsyz]|v[aceginu]|w[fs]|y[etu]|z[amw]) 
(\.((a[cdefgilmnoqrstuwxz]|aero|arpa)|(b[abdefghijmnorstvwyz]|biz)| 
(c[acdfghiklmnorsuvxyz]|cat|com|coop)|d[ejkmoz]|(e[ceghrstu]|edu)|f[ijkmor]| 
(g[abdefghilmnpqrstuwy]|gov)|h[kmnrtu]|(i[delmnoqrst]|info|int)| 
(j[emop]|jobs)|k[eghimnprwyz]|l[abcikrstuvy]| 
m[acdghklmnopqrstuvwxyz]|mil|mobi|museum)| 
(n[acefgilopruz]|name|net)|(om|org)| 
(p[aefghklmnrstwy]|pro)|qa|r[eouw]|s[abcdeghijklmnortvyz]| 
(t[cdfghjklmnoprtvwz]|travel)|u[agkmsyz]|v[aceginu]|w[fs]|y[etu]|z[amw]))?$/) 

Answer 1

S'il vous plaît, s'il vous plaît, s'il vous plaît ne pas utiliser une regex fixe et horriblement compliqué comme celui-ci pour faire correspondre les noms de domaine connus. La liste des TLD est et non statique, en particulier avec l'ICANN qui examine un processus rationalisé pour les nouveaux gTLD. Même la liste des ccTLD change parfois!

Jetez un oeil à la liste disponible à partir de http://publicsuffix.org/ et écrivez du code qui est capable de télécharger et d'analyser cette liste à la place.

Answer 2

Je n'en sais pas assez sur les noms de domaine. Mais pourquoi des domaines comme "foo.info.com" sont-ils assortis? Il semble que le nom de domaine est "info.com" dans ce cas particulier.

Et vous voudrez peut-être vous assurer que le nom commence par [a-z \ d]. Je ne pense pas que vous pouvez enregistrer un domaine qui commence par un tiret?

Answer 3

Eh bien comme vous l'avez écrit il, la partie de TLD est équivalent mais plus long que (\.<tldpart>){1,2} mais je suis sûr qu'il pourrait être fixé pour la duplication ...

modifier: yech, non, il serait possible, mais essentiellement une liste de force brute très lente pour gérer les duplications je pense. Plus simple et plus rapide de mettre les paires de pays possibles TLD et SLD + dans une grande hashmap et vérifier la sous-chaîne par rapport à cela.

Answer 4

Vous pouvez créer l'expression régulière sous forme de chaîne, puis faire Regexp.new (chaîne).

Answer 5

Je recommande de commencer par les règles énoncées dans RFC 1035, puis de travailler en arrière - mais seulement si vous avez vraiment vraiment besoin de le faire à partir de zéro. Un modèle de regex de domaine doit être (la seconde derrière les modèles de regex d'adresse e-mail) la chose la plus courante. Je voudrais vérifier le site regexlib.com et parcourir ce que les autres ont fait.

Answer 6

Télécharger ceci: http://data.iana.org/TLD/tlds-alpha-by-domain.txt

Exemple d'utilisation (en Python):

import re 
def validate(domain): 
    valid_domains = [ line.upper().replace('.', '\.').strip() 
         for line in open('domains.txt') 
         if line[0] != '#' ] 
    r = re.compile(r'^[A-Z0-9\-]{2,63}\.(%s)$' % ('|'.join(valid_domains),)) 
    return True if r.match(domain.upper()) else False 


print validate('stackoverflow.com') 
print validate('omnom.nom') 

Vous pouvez facteur le domaine liste-bâtiment de la fonction de validation pour améliorer les performances.