使用grep过滤去除http/https协议及路径仅提取纯域名

需求说明 #

• 核心功能：从文本中提取纯域名，自动移除http/https等协议前缀，以及域名后的路径、参数等后缀
• 示例输入命令：echo "Hi it's my web site (https://1stsubdomain.2ndsubdomain.example.com/welcome/)" | 对应处理命令
• 预期输出结果：Hi it's my web site (1stsubdomain.2ndsubdomain.example.com)
• 域名规则：支持匹配0-3级子域名
• 合法域名后缀列表：.com|.net|.org|.ru|.xyz|.co|.tr|.uk|.vn|.intedu|.mil|.lnc|.is|.dev|.travel|.info|.biz|.email|.build|.agency|.zone|.bid|.condos|.dating|.events|.maiso|.partners|.properties|.productions|.social|.reviews|.techgov|.au

可直接运行的实现命令 #

使用sed正则替换即可实现需求，命令如下：

echo "Hi it's my web site (https://1stsubdomain.2ndsubdomain.example.com/welcome/)" | sed -E 's/https?:\/\/(([a-zA-Z0-9-]+\.){0,3}[a-zA-Z0-9-]+\.(com|net|org|ru|xyz|co|tr|uk|vn|intedu|mil|lnc|is|dev|travel|info|biz|email|build|agency|zone|bid|condos|dating|events|maiso|partners|properties|productions|social|reviews|techgov|au))[^ )]*/\1/g'

正则逻辑说明 #

1. 首先匹配http://或https://协议头，这部分直接丢弃
2. 捕获组1匹配符合规则的域名：0-3段字母/数字/横杠加.的子域名 + 主域名 + 合法后缀，这部分会保留
3. 匹配域名后所有非空格、非右括号的字符（即路径、参数等内容），这部分直接丢弃
4. 最终将匹配到的整段内容替换为捕获到的纯域名，其余原文本内容完全保留

内容的提问来源于stack exchange，提问作者Ugroon