我有一个大文件，其中包含以下形式的域名：
domain.com
sub.domain.com
sub.domain.co.uk
domain.co.uk
我想提取带有顶级域名（例如.com）或带有国家/地区代码顶级域名的主域名（无子域）。
顶级域名始终由 2-3 个字母组成（例如 .com、.net、.gov）
国家/地区代码顶级域名始终为 2 个字母（例如 .uk、.us），位于行尾。
因此，如果输入包含上述列表，则输出应提取：
domain.com
domain.co.uk
我尝试过这个表达：
grep -P '^[^\.]+\.[a-zA-Z]{2,3}\.[a-zA-Z]{2}$
这是我的解释。
-P:perl 正则表达式
^:行首
^\.:排除点
+:一次或多次
\.:点
[a-zA-Z]{2,3}:两个或三个字母字符（例如，.com、.co）
[a-zA-Z]{2}$:行尾两个字母字符
我的问题：我得到的输出总是提取：
domain.co.uk
但不是domain.com
domain.com如何使我的正则表达式提取带有或不带有国家/地区代码顶级域名（例如和 ）的域名，domain.co.uk但不包含子域（例如sub.domain.co.uk或 ）sub.domain.com
答案1
你的问题不明确。如果您像您提到的那样定义了仅域项目，则可以使用以下命令查找它们：
grep -P "^.[^.]+\.[a-zA-Z]{3}$|^.[^.]+\.[a-zA-Z]{2}\.[a-zA-Z]{2}$" FileName
grep -P使用 Perl 正则表达式^.[^.]+从每个字符开始，除了并且不包含.尽可能多的字符\.[a-zA-Z]{3}$.最后出现 3 个字符|或者^.[^.]+像上面一样\.[a-zA-Z]{2}最后两次出现 2 个字符两次
答案2
考虑到注册商发放 TLD 和 FLD 的方式，这是一个不小的问题，我认为您无法使用简单的正则表达式和 CLI 工具来解决这个问题。
我会依靠这样的东西Python 模块，tld。该模块同时具有get_tld和get_fld功能。第二个将打印一级域名，这就是您正在寻找的。
例子
$ cat fld.py
#!/bin/python
from tld import get_fld
fldList = []
domList = open("domlist.txt").read().splitlines()
for dom in domList:
fldList.append(get_fld(dom, fix_protocol=True))
print("\n".join(sorted(set(fldList))))
示例运行：
$ ./gtld.py
domain.co.uk
domain.com
笔记：域列表位于名为domlist.txt.