从 R 中的 url 返回根域

给定网站地址，例如

http://www.example.com/page1/#
https://subdomain.example2.co.uk/asdf?retrieve=2

如何返回根域R, e.g.

example.com
example2.co.uk

出于我的目的，我将定义根域以具有结构

example_name.public_suffix

其中 example_name 不包括“www”，并且 public_suffix 位于此处的列表中：

https://publicsuffix.org/list/ effective_tld_names.dat https://publicsuffix.org/list/effective_tld_names.dat

这仍然是最好的基于正则表达式的解决方案吗：

https://stackoverflow.com/a/8498629/2109289 https://stackoverflow.com/a/8498629/2109289

里面的东西怎么样R根据公共后缀列表解析根域，例如：

http://simonecarletti.com/code/publicsuffix/ http://simonecarletti.com/code/publicsuffix/

编辑：根据理查德的评论添加额外信息

Using XML::parseURI似乎返回第一个“//”和“/”之间的内容。例如

> parseURI("http://www.blog.omegahat.org:8080/RCurl/index.html")$server
[1] "www.blog.omegahat.org"

因此，问题归结为有一个R可以从 URI 返回公共后缀的函数，或者在公共后缀列表上实现以下算法：

• 将域与所有规则进行匹配并记下匹配的规则。
• 如果没有匹配的规则，则优先规则为“*”。
• 如果有多个规则匹配，则优先规则是例外规则。
• 如果没有匹配的例外规则，则优先规则是标签最多的规则。
• 如果现行规则是例外规则，请通过删除最左边的标签来修改它。
• 公共后缀是来自域的一组标签，它们直接与现行规则的标签匹配（用点连接）。
• 已注册或可注册domain是公共后缀加上一个附加标签。

这里有两个任务。第一个是解析 URL 以获取主机名，这可以通过httr http://cran.r-project.org/web/packages/httr/index.html包的parse_url功能：

host <- parse_url("https://subdomain.example2.co.uk/asdf?retrieve=2")$hostname
host
# [1] "subdomain.example2.co.uk"

第二个是提取组织域（或根域、顶级私有域——无论你怎么称呼它）。这可以使用以下方法完成提取物 https://github.com/jayjacobs/tldextract包（受到同名Python包的启发，并使用Mozilla的公共后缀列表）：

domain.info <- tldextract(host)
domain.info
#                       host subdomain   domain   tld
# 1 subdomain.example2.co.uk subdomain example2 co.uk

tldextract返回一个数据框，其中包含您提供的每个域的一行，但您可以轻松地将相关部分粘贴在一起：

paste(domain.info$domain, domain.info$tld, sep=".")
# [1] "example2.co.uk"