Question

我的网站上一直存在大量垃圾邮件问题，人们每天都在创建数十个帐户，并通过URL缩短服务（其中有数百个）向其网站发送垃圾邮件。是否有一个函数可以检查是否存在链接（没有http：//或www。），这些链接可能位于任何顶级域名（TLD），主要是较不常见的顶级域名。

其中大多数都采用domain.ext / 43tg34g

的形式

我想检查domain.ext的存在并禁止新用户发布这些内容。

Answer 1

如果他们将其创建为超链接，那么您可以搜索<a>...</a>

Answer 2

我认为诀窍是扫描TLD的文本并向前看所有连续的非空格字符。由于表示行结尾或省略号的点通常后跟一个空格，我认为您可以安全地假设该点例如：

.com

不表示行结尾或省略号的结尾。（目前无法想到任何其他常用的点。）

请注意，尽管通过以下方式规避此类预防措施相当容易：

test . com
test[dot]com
test. com

等...

~~也许我稍后会给你一个基本的正则表达式。我现在必须走了。~~

好吧，我对它有所了解。可能仍然是一个天真的解决方案，但它是一个开始：

// TLDs acquired from http://www.iana.org/domains/root/db/
// left out not-latin TLDs though
$tlds = array(
    'ac', 'ad', 'aero', 'ae', 'af', 'ag', 'ai', 'al', 'am', 'an', 'ao', 'aq', 'arpa', 'ar', 'asia', 'as', 'at', 'au', 'aw', 'ax', 'az',
    'ba', 'bb', 'bd', 'be', 'bf', 'bg', 'bh', 'biz', 'bi', 'bj', 'bl', 'bm', 'bn', 'bo', 'bq', 'br', 'bs', 'bt', 'bv', 'bw', 'by', 'bz',
    'ca', 'cat', 'cc', 'cd', 'cf', 'cg', 'ch', 'ci', 'ck', 'cl', 'cm', 'cn', 'coop', 'com', 'co', 'cr', 'cu', 'cv', 'cw', 'cx', 'cy', 'cz',
    'de', 'dj', 'dk', 'dm', 'do', 'dz',
    'ec', 'edu', 'ee', 'eg', 'eh', 'er', 'es', 'et', 'eu',
    'fi', 'fj', 'fk', 'fm', 'fo', 'fr',
    'ga', 'gb', 'gd', 'ge', 'gf', 'gg', 'gh', 'gi', 'gl', 'gm', 'gn', 'gov', 'gp', 'gq', 'gr', 'gs', 'gt', 'gu', 'gw', 'gy',
    'hk', 'hm', 'hn', 'hr', 'ht', 'hu',
    'id', 'ie', 'il', 'im', 'info', 'in', 'int', 'io', 'iq', 'ir', 'is', 'it',
    'je', 'jm', 'jobs', 'jo', 'jp',
    'ke', 'kg', 'kh', 'ki', 'km', 'kn', 'kp', 'kr', 'kw', 'ky', 'kz',
    'la', 'lb', 'lc', 'li', 'lk', 'lr', 'ls', 'lt', 'lu', 'lv', 'ly',
    'ma', 'mc', 'md', 'me', 'mf', 'mg', 'mh', 'mil', 'mk', 'ml', 'mm', 'mn', 'mobi', 'mo', 'mp', 'mq', 'mr', 'ms', 'mt', 'museum', 'mu', 'mv', 'mw', 'mx', 'my', 'mz',
    'name', 'na', 'nc', 'ne', 'net', 'nf', 'ng', 'ni', 'nl', 'no', 'np', 'nr', 'nu',  'nz',
    'om', 'org',
    'pa', 'pe', 'pf', 'pg', 'ph', 'pk', 'pl', 'pm', 'pn', 'pro', 'pr', 'ps', 'pt', 'pw', 'py',
    'qa',
    're', 'ro', 'rs', 'ru', 'rw',
    'sa', 'sb', 'sc', 'sd', 'se', 'sg', 'sh', 'si', 'sj', 'sk', 'sl', 'sm', 'sn', 'so', 'sr', 'st', 'su', 'sv', 'sx', 'sy', 'sz',
    'tc', 'td', 'tel', 'tf', 'tg', 'th', 'tj', 'tk', 'tl', 'tm', 'tn', 'to', 'tp', 'travel', 'tr', 'tt', 'tv', 'tw', 'tz',
    'ua', 'ug', 'uk', 'um', 'us', 'uy', 'uz',
    'va', 'vc', 've', 'vg', 'vi', 'vn', 'vu',
    'wf', 'ws',
    'xxx',
    'ye', 'yt',
    'za', 'zm', 'zw'
);
echo preg_replace( '~(\S+\.(' . implode( '|', $tlds ) . ')(/\S*)?)~i', '<a href="\1">\1</a>', $text );

首先使用字母顺序较长的TLD对TLD数组进行排序，以便正则表达式优先使用它们。

将'<a href="\1">\1</a>'替换为''以实际删除网址。我刚刚将其留在这里，以便您可以轻松查看文本中识别URL的位置。

您可以在行动on codepad中看到它。

非常欢迎改进。

如何在php中检测文本字符串中域名的存在

2 个答案: