如何从多格式URL中提取带语言部分的顶级域名（TLD）？

核心问题拆解 #

需要从各类URL中精准提取域名（含有效TLD）+ 可选的语言路径段，同时解决以下痛点：

• 避免把.dev这类子域名误判为TLD
• 不受路径中点（如文件名one.two.three）的干扰
• 兼容无语言部分的URL

实现思路 #

1. 用原生URL API解析URL，精准分离域名（hostname）和路径（pathname），比纯正则处理更可靠
2. 预定义有效TLD列表，从域名末尾反向匹配，确保只识别合法的TLD
3. 检查路径的第一个分段是否为有效语言码，仅保留符合条件的语言段

代码实现（TS/JS通用） #

// 替换为你的20种有效TLD
const VALID_TLDS = new Set(['com', 'de', 'org', 'net', 'io', 'uk', 'au']);
// 可选：如果有固定语言列表，可定义在这里；无列表则默认匹配两位小写字母
const VALID_LANGUAGES = new Set(['fr', 'de', 'en', 'es', 'it']);

function extractTldWithLanguage(urlStr: string): string | null {
  try {
    const url = new URL(urlStr);
    const { hostname, pathname } = url;

    // 从域名中定位有效TLD的位置
    const hostnameSegments = hostname.split('.');
    let validTldPosition = -1;
    // 从后往前遍历，找到第一个属于有效TLD的分段
    for (let i = hostnameSegments.length - 1; i >= 0; i--) {
      if (VALID_TLDS.has(hostnameSegments[i].toLowerCase())) {
        validTldPosition = i;
        break;
      }
    }

    if (validTldPosition === -1) return null; // 未找到有效TLD，返回null

    // 提取完整域名（含所有子域名+有效TLD）
    const domain = hostname;

    // 处理路径中的语言部分
    const pathSegments = pathname.split('/').filter(seg => seg.length > 0);
    let languageSuffix = '';
    if (pathSegments.length > 0) {
      const firstPathSeg = pathSegments[0].toLowerCase();
      // 判断是否为有效语言：优先用预定义列表，无列表则匹配两位小写字母
      const isValidLang = VALID_LANGUAGES.size 
        ? VALID_LANGUAGES.has(firstPathSeg)
        : /^[a-z]{2}$/.test(firstPathSeg);
      
      if (isValidLang) {
        languageSuffix = `/${firstPathSeg}`;
      }
    }

    return `${domain}${languageSuffix}`;
  } catch (err) {
    return null; // 无效URL格式，返回null
  }
}

// 测试示例URL
const testCases = [
  "https://www.mywebsite.com/fr/additional/path/",
  "https://www.mywebsite.com/de/",
  "https://www.mywebsite.de/en/",
  "https://www.mywebsite.de/fr/",
  "https://my.local.dev.env.de/en/one.two",
  "https://www.mywebsite.org/",
  "https://mywebsite.org",
  "https://www.mywebsite.com/fr/some/path/one.two.three/end/"
];

testCases.forEach((url, idx) => {
  const result = extractTldWithLanguage(url);
  console.log(`#${idx+1} 输入: ${url}\n输出: ${result}\n`);
});

方案优势 #

• 精准性：通过预定义TLD列表，彻底避免把.dev这类子域名误判为TLD
• 可靠性：URL API自动处理协议、端口、查询参数等边缘情况，比纯正则更稳定
• 灵活性：修改VALID_TLDS和VALID_LANGUAGES即可适配业务需求，无需改动核心逻辑
• 兼容性：现代浏览器、NodeJS 10+均支持URL API，TS/JS通用

测试结果 #

• #1 输出: www.mywebsite.com/fr
• #2 输出: www.mywebsite.com/de
• #3 输出: www.mywebsite.de/en
• #4 输出: www.mywebsite.de/fr
• #5 输出: my.local.dev.env.de/en
• #6 输出: www.mywebsite.org
• #7 输出: mywebsite.org
• #8 输出: www.mywebsite.com/fr

内容的提问来源于stack exchange，提问作者r00k13