2

Imaginem um cenário em que eu possua somente URLs da seguinte forma, cadastradas no meu banco de dados:

https://www.google.com
https://www.facebook.com
https://www.youtube.com
https://www.twitter.com

Pensando nesse caso, e que somente haverão URLs dessa maneira citada, como eu poderia elaborar uma maneira de pegar o nome do site?

Por exemplo, através de regex, quando eu invocar um determinado método, e passar como valor https://www.google.com, ele me devolva somente a string Google?

3 Respostas 3

1
function nome_dominio($url)
{
  $pieces = parse_url($url);
  $domain = isset($pieces['host']) ? $pieces['host'] : '';
  if (preg_match('/(?P<domain>[a-z0-9][a-z0-9\-]{1,63}\.[a-z\.]{2,6})$/i', $domain, $regs)) {
    $nome = explode('.',$regs['domain']);
    return ucfirst($nome[0]); // converto primeira letra para maiúscula
  }
  return false;
}

// Exemplos (todos retornam Google):
echo nome_dominio("https://mail.google.com"); // Retorna Google
echo nome_dominio("https://google.com"); // Retorna Google
3
  • Tem alguns problemas, por exemplo o site http://www.saopaulo.sp.gov.br, ele retorna sp ao invés de saopaulo, que é o nome correto. Ele trata saopaulo como subdomínio do sp. A solução disso é bem mais complexa, não pode ser simples REGEX, a não ser que liste todos os casos e coloque num REGEX.
    – Inkeliz
    Commented 24/08/2017 às 13:18
  • Um outro exemplo, http://meusite.floripa.br, retorna Floripa. Ele é um TDL válido, veja aqui.
    – Inkeliz
    Commented 24/08/2017 às 13:24
  • @Inkeliz Eu entendo, mas esse código não é universal, serve apenas pra atender os sites no padrão da pergunta, ou seja, site.com ou site.com.br.
    – Sam
    Commented 24/08/2017 às 14:03
1

Segue um exemplo do regex em JavaScript:

var urls = [
  'https://www.google.com',
  'https://www.facebook.com',
  'https://www.youtube.com',
  'https://www.twitter.com'
];

var $saida = document.getElementById("saida");

urls.forEach(function(url) {
  var nome_site = /(https\:\/\/www.)([^.]+)(.*)/g.exec(url)[2];
  nome_site = nome_site.charAt(0).toUpperCase() + nome_site.slice(1)
  $saida.value = $saida.value + "\n" + url + ': ' + nome_site;
});
textarea {
  height: 200px;
  width: 100%;
}
<textarea id="saida"></textarea>

1

A solução mais próxima para todos os casos é muito mais complexa do que um REGEX.

Infelizmente não consegui tornar isto mais amigável,o código final ficou um pouco confuso, mas creio que ainda sim dará para entender e irei explicar todo o processo.


Vantagens (em relação a essa resposta)

  • Possui maior suporte para todos os tipos de dominios, tais como floripa.br ou adult.ht.

  • Possui suporte para subdominios públicos, como por exemplo <seusite>.blogspot.com e até <seusite>.s3.amazonaws.com e afins.


Requisitos:

Não é preciso nenhuma extensão, plugin, framework... Somente é preciso que baixe a lista pública de todos os domínios/TLD isso está disponível aqui (https://publicsuffix.org/list/public_suffix_list.dat) e que especifique o local do arquivo na linha mencionada.

Esse documento é atualizado periodicamente.

Código:

function pegaNome($url)
{

    $url = parse_url($url, PHP_URL_HOST);
    if (empty($url)) {
        return false;
    }

    $generico = ['com', 'org', 'net', 'edu', 'gov', 'mil'];

    $lista = array_filter(file('public_suffix_list.dat.txt'));                                             // Download: https://publicsuffix.org/list/public_suffix_list.dat
    $lista = array_merge($lista, ['*']);

    $dominio = explode('.', $url);
    $dominioTamanho = count($dominio) - 1;

    $encontrado = [];

    foreach ($lista as $tld) {

        if (!in_array(substr($tld, 0, 1), ['!', '/', "\n"], true)) {

            $correto = 0;
            $partes = explode('.', $tld);
            $partesTamanho = count($partes);

            foreach ($partes as $i => $pedaco) {

                if (!isset($dominio[$dominioTamanho - $partesTamanho + $i + 1])) {
                    break;
                }

                $pedaco = (array)trim($pedaco);
                $pedaco = $pedaco === '*' ? $generico : $pedaco;

                $correto += (int)(in_array($dominio[$dominioTamanho - $partesTamanho + $i + 1], $pedaco, true));

            }

            if ($correto === $partesTamanho) {
                $encontrado[] = $correto;
            }

        }

    }

    if ($encontrado !== 0){
        rsort($encontrado);

        foreach($encontrado as $encontro){
            if(!empty($dominio[$dominioTamanho - $encontro])){
                return $dominio[$dominioTamanho - $encontro];
            }
        }

    }

    return $url;

}

Explicações:

Arquivo:

O arquivo possui quatro tipos de situações (ignorando espaços em branco):

!tld
*.tld
// tld
tld

O código acima ignora tanto // tld, que são comentários, como também !tld, que não sei o motivo exato.

Caso seja *.tld indica que ele seria net.tld, com.tld por exemplo, na maior parte dos casos.

Verificações:

Quando você pede para verificar um URL, por exemplo https://seusite.blogspot.com é feito exatamente o seguinte:

  • Usa o PHP_URL_HOST para obter seusite.blogspot.com.
  • Divide seusite.blogspot.com para seusite, blogspot e com.

Depois, precisamos verificar o é o dominio usado pelo seu website:

  • Verifica se o último elemento é igual ao ac: com != ac
  • Verifica se o último conjunto é igual ao com.ac, de forma que:
    • Compara o penúltimo elemento igual a com: blogspot != com
    • Compara o último elemento igual a ac: com != ac

Isso se repete por cada linha deste arquivo.

Em determinado ponto vai fazer exatamente:

  • Verifica se o último conjunto é igual ao blogspot.com:
    • Compara o penúltimo elemento igual a blogpost: blogspot == blogpost
    • Compara o último elemento igual a com: com == com

Então irá salvar $encontrado[] = $correto, isso irá armazenar o valor 2, que é o número de partes que o "subdomínio" tem (.blogspot.com = 2, .net = 1, .a.b.c = 3).

Neste mesmo domínio, nas últimas comparações vai fazer:

  • Verifica se o último elemento é igual ao .com: com === com

Isso também irá armazenar o valor 1 ao $encontrado.

Resultado:

No final pegamos o maior número de $encontrado e então pegamos o nome do dominio baseado nele.

Então se seusite.blogspot.com tem o maior $encontrado como 2 então basta fazer $dominio[count($dominio)-2-1].

Então porque cria uma array? Porque pode ser que informe https://blogspot.com, então ele iria também ser válido nos dois casos, porém o count($dominio)-2-1 seria então -1. Por isso então ele passa para o proximo dominio encontrado, neste caso .com e irá retornar blogspot, normalmente.

Você deve fazer log-in para responder a esta pergunta.

Esta não é a resposta que você está procurando? Pesquise outras perguntas com a tag .