从URL获取域/主​​机名的最快方法是什么？

Question

我需要浏览大量的字符串url并从中提取域名.

例如:

http://www.stackoverflow.com/questions将摘录www.stackoverflow.com

我最初使用,new URL(theUrlString).getHost()但URL对象初始化为进程增加了大量时间,似乎不需要.

是否有更快的方法来提取可靠的主机名？

谢谢

编辑:我的错误,是的www.将包含在上面的域名示例中.此外,这些网址可能是http或https

Answer 1

如果你想处理https等,我建议你做这样的事情:

int slashslash = url.indexOf("//") + 2;
domain = url.substring(slashslash, url.indexOf('/', slashslash));

请注意,这包括www部分(就像URL.getHost()会做的那样),它实际上是域名的一部分.

通过评论编辑请求

以下两种方法可能会有所帮助:

/**
 * Will take a url such as http://www.stackoverflow.com and return www.stackoverflow.com
 * 
 * @param url
 * @return
 */
public static String getHost(String url){
    if(url == null || url.length() == 0)
        return "";

    int doubleslash = url.indexOf("//");
    if(doubleslash == -1)
        doubleslash = 0;
    else
        doubleslash += 2;

    int end = url.indexOf('/', doubleslash);
    end = end >= 0 ? end : url.length();

    int port = url.indexOf(':', doubleslash);
    end = (port > 0 && port < end) ? port : end;

    return url.substring(doubleslash, end);
}


/**  Based on : http://grepcode.com/file/repository.grepcode.com/java/ext/com.google.android/android/2.3.3_r1/android/webkit/CookieManager.java#CookieManager.getBaseDomain%28java.lang.String%29
 * Get the base domain for a given host or url. E.g. mail.google.com will return google.com
 * @param host 
 * @return 
 */
public static String getBaseDomain(String url) {
    String host = getHost(url);

    int startIndex = 0;
    int nextIndex = host.indexOf('.');
    int lastIndex = host.lastIndexOf('.');
    while (nextIndex < lastIndex) {
        startIndex = nextIndex + 1;
        nextIndex = host.indexOf('.', startIndex);
    }
    if (startIndex > 0) {
        return host.substring(startIndex);
    } else {
        return host;
    }
}

Answer 2

您希望在实施"快速"方式取消URL时要非常小心.URL中存在许多可能导致"快速"方法失败的可变性.例如:

• 方案(协议)部分可以用大写和小写字母的任意组合来编写; 例如"http","Http"和"HTTP"是等价的.

• 权限部分可以可选地包括用户名和/或端口号,如" http://you@example.com:8080/index.html "中所示.

• 由于DNS不区分大小写,因此URL的主机名部分也(有效地)不区分大小写.

• % - 对URL中的方案或权限组件中的未保留字符进行编码是合法的(尽管非常不规则).在匹配(或剥离)方案或解释主机名时,您需要考虑这一点.具有%编码字符的主机名被定义为等同于解码了%编码序列的主机名.

现在,如果您完全控制生成正在剥离的URL的进程,您可能会忽略这些细节.但如果它们是从文档或网页中获取的,或者是由人类输入的,那么建议您考虑如果您的代码遇到"异常"URL会发生什么.

如果您关注的是构建URL对象所需的时间,请考虑使用URI对象.除了其他好处之外,URI对象不会尝试对主机名部分进行DNS查找.