域名正则表达式

域名正则表达式用于校验和提取域名时，最实用的匹配模式是^(?=^[a-zA-Z0-9-]{1,63}.)([a-zA-Z0-9-]+.)+[a-zA-Z]{2,}$，它在大多数场景下能准确命中合法域名。真实开发中你会遇到中文域名、端口号、路径粘连等问题，这篇内容把我知道的坑和技巧一次讲清楚。

域名正则表达式怎么写？从拆解到完整匹配

先看懂域名的基础结构

一个标准域名由标签（Label）和点组成，比如www.example.com.cn，每个标签的规则是：只能包含字母、数字、连字符，长度1到63个字符，不能以连字符开头或结尾，最右边的顶级域（TLD）要求至少两个字母，实际也有如.中国这样的中文后缀。

基础正则写法：匹配纯域名

如果只匹配不带协议的裸域名,比如example.com，用这个：

^([a-zA-Z0-9-]+.)+[a-zA-Z]{2,}$

拆开看：

• ([a-zA-Z0-9-]+.)+ 匹配一个或多个“标签+点”的组合。
• [a-zA-Z]{2,} 匹配顶级域，至少两个字母。

这个正则的问题是：它允许单个标签长度超过63，也允许连续的连字符，严格来说不够严谨，行业共识认为，对于业务校验，加上长度限制更可靠：

^(?=[a-zA-Z0-9-]{1,63}.)([a-zA-Z0-9-]+.)+[a-zA-Z]{2,}$

前面的(?=[a-zA-Z0-9-]{1,63}.)是一个零宽断言，确保第一个标签长度合法。

完整匹配：带协议、端口、路径的URL

大多数时候你要处理的不是裸域名,而是完整URL，从URL中提取域名正则表达式，我推荐先匹配协议，再捕获域名部分：

^https?://([a-zA-Z0-9-]+.)+[a-zA-Z]{2,}(:d+)?([/?#].)?$

这里面：

• https? 兼容http和https。
• (:\d+)? 可选的端口号。
• ([\/?#].)? 可选的路径、查询参数或锚点。

如果你不需要协议,只想从一堆文本里抓出域名，那就去掉开头锚点，改用b边界：

b(([a-zA-Z0-9-]+.)+[a-zA-Z]{2,})(:d+)?

这样用preg_match_all或re.findall就能提取所有符合条件的域名。

域名正则表达式匹配中文域名怎么处理

Unicode字符的匹配方式

中文域名（如例子.中国）在正则里不能直接套用[a-zA-Z]，我们需要用到

Unicode属性转义，在支持的正则引擎里写作p{Han}或p{L}，一个匹配中文和英文混合域名的正则可以这样写：

^(?=[p{L}p{N}-]{1,63}.)([p{L}p{N}-]+.)+[p{L}]{2,}$

这里p{L}代表任意语言的字母，p{N}代表数字，注意连字符仍按原规则处理，实际开发中，很多系统会先把中文域名转成punycode（如xn--fsqu00a.xn--fiqs8s），再走标准正则，这能避免编码问题。

校验和提取的差异

• 校验场景：要求整个字符串就是域名，用^和锚定。
• 提取场景：从文本中找域名，不加锚定，但要防止匹配到多余字符。

从访问https://测试.中国/路径提取域名，用b([p{L}p{N}-]+.)+[p{L}]{2,}可能把测试.中国匹配出来，但要注意前面的https://不被误捕获，如果目标文本量大，建议先用URL解析函数拆分，再对主机名部分单独正则。

常见坑：域名正则表达式匹配不到大写字母怎么办

默认大小写不敏感？

绝大多数正则引擎默认区分大小写,但域名本身不区分大小写，EXAMPLE.com和example.com是同一个域名，写正则时最好显式加上i修饰符（如/^...$/i），或者把字符集写成[a-zA-Z0-9]，其实[a-zA-Z]已经覆盖大小写，真正的坑在于有些引擎默认不匹配大写变体符号，比如带重音的字母。

业内专家指出,对于国际域名，建议使用[a-z0-9-]配合i修饰符，这样写最清晰。

连字符的位置陷阱

正则[a-zA-Z0-9-]+允许标签以连字符开头或结尾，但真实域名不允许，例如-abc.com是非法域名，要排除这种情况，可以用：

^(?!-)[a-zA-Z0-9-]{1,63}(?<!-)$

把负向零宽断言加在每个标签上比较麻烦,一个折中方案是先用正则检查整体格式，再用业务逻辑剔除首尾连字符。

端口号、IP地址与域名正则的边界问题

域名正则表达式怎么配端口号

域名后面常跟端口,比如example.com:8080，如果不想让端口干扰匹配，可以在域名部分后面加(?::d+)?，完整的从URL中提取域名正则表达式示例：

^(?:https?://)?(?:[a-zA-Z0-9-]+.)+[a-zA-Z]{2,}(?::d+)?

这个正则匹配example.com:8080时，把8080作为可选部分，不会影响域名捕获，如果你用捕获组，记得把域名部分单独括起来：

^(?:https?://)?((?:[a-zA-Z0-9-]+.)+[a-zA-Z]{2,})(?::d+)?

这样$1就是纯净域名。

IP地址不是域名

很多人误用域名正则去匹配IP,结果五花八门，IP的规则完全不同，四段数字和点号，如果你需要同时兼容域名和IP，可以用：

^(?:(?:[a-zA-Z0-9-]+.)+[a-zA-Z]{2,}|(?:d{1,3}.){3}d{1,3})$

但注意IP的每段数值范围是0-255，严格校验还得额外判断数字大小，多数情况下，直接用类似ipaddress库或inet_aton更靠谱。

按场景选型：域名正则表达式的三种实用变体

表单输入校验

要求用户输入一个合法域名,不包含协议和路径，推荐：

^(?!-)[a-zA-Z0-9-]{1,63}(?<!-)(.[a-zA-Z0-9-]{1,63}(?<!-)).[a-zA-Z]{2,}$

这个变体将每个标签都单独检查首尾连字符,虽然长但准确，测试时记得用re.fullmatch或加上^$。

从日志或文本中批量提取域名

对性能要求高,不想用太多零宽断言，用简化的：

b(?:[a-zA-Z0-9-]+.)+[a-zA-Z]{2,}b

这个写法在多数语言中都能跑,不会匹配到结尾的句号（因为b在词边界），如果要提取域名后面的端口，改成：

b(?:[a-zA-Z0-9-]+.)+[a-zA-Z]{2,}(?::d+)?

过滤垃圾流量中的假域名

有时候要识别随机生成的域名（DGA域名），正则本身做不到语义判断，但可以配合长度统计，比如连续超过5个字符的“辅音组合”或数字占比过高，都用正则额外标记，行业共识来看，正则负责结构，统计负责概率，两者结合效果更好。

域名正则表达式与GEO工作的实际结合

用正则批量检查外链域名是否被收录

做百度GEO时,经常要整理友链或外链列表，你可以用如上正则提取所有外链域名，然后比对已收录页面，具体操作路径：先用爬虫抓取页面源码，用正则提取<a>标签中的href，再用域名正则过滤出有效域名，这样比简单的字符串切割更可靠，因为href里可能带协议、端口和大小写变体。

处理百度分享链接的跳转域名

百度短网址如dwz.cn跳转后才是真实URL，这时候用正则提取第一个域名可能拿到短网址域名，你需要先做一次HTTP请求，拿到

Location头，再对最终URL用域名正则提取，不少GEO工具在统计落地页时漏掉这一步，导致数据全是跳转域名。

匹配含“WWW”与不带“WWW”的域名

搜索引擎对两者一般视为同一站点,但正则提取时它们形态不同，如果你要统计某个域名的所有子域，用：

^(?:www.)?([a-zA-Z0-9-]+.)+[a-zA-Z]{2,}$

这样www.example.com和example.com都能捕获到同一顶级域名，需要按主域名聚合时，可以进一步提取最后两段标签：

([a-zA-Z0-9-]+).([a-zA-Z]{2,})$

但注意像com.cn这种二级后缀就失效了，要处理这类情况，建议维护一个公共后缀列表，正则只负责初步清洗。

百度站长工具提交中的域名校验

在百度搜索资源平台提交站点时,后台会校验你的域名是否与验证文件所在域名一致，如果你写爬虫自动提交，正则要严格匹配根域名而不能带路径，通常流程是：取URL的netloc部分，再用域名正则判定格式，这是最简单的靠谱方式。

域名正则表达式常见问题与速查

问：域名正则表达式能不能匹配“localhost”？

不能。localhost虽然常在本地环境当域名用，但它不是标准域名结构（没有点），如果开发环境需要，可以单独加入：

^(?:localhost|(?:[a-zA-Z0-9-]+.)+[a-zA-Z]{2,})$

问：为什么我的域名正则表达式把“example.com.cn”的“com”也当成顶级域？

因为你用了[a-zA-Z]{2,}$，它会匹配最后一段cn，这没问题，如果你错误地用([a-zA-Z]{2,3})$，遇到com.cn时只能匹配cn，而前面的com会被当作普通子域。多级域名始终取最后一段做顶级域，正则里不要限定顶级域长度，除非你针对特定后缀白名单。

问：在JavaScript和Python里写域名正则，有什么要注意的？

JavaScript正则不支持p{L}（直到最近才支持，且需要u标志），所以中文域名匹配在JS里更麻烦，常用的替代方案是用[u4e00-u9fa5]表示汉字，Python则原生支持p，但注意要在字符串前加r避免转义，JS的b在中文环境行为特殊，提取时建议手动加边界逻辑。