URLをチェックする機能実装するにあたりホスト名かつ、拡張子以外のpathを取得したい。但し正しいURL形式で入力されないケースもあるためそこもふまえて実装しなければいけません。

Question

ユーザーが入力したURLをチェックする機能を実装したいと思っております。
次のようなURLをチェックするにあたり、現状の仕様では部分一致で検出したいと考えております。

 "http://www.google.com"
 "https://www.yahoo.co.jp"
 "https://teratail.com/questions.html"
 " www.hogehoge.com"
 "hogehoge.jp" 
 "hogehoge" # こういうケースも想定しなくてはいけません

そのため、次のようなどのURLに対しては部分一致に引っかかってしまうため、何とかプログラムで制御したいと思います。

http
http://www
.com
.jp
.html

入力時に制限をかけるのも一つ手段としてありますが、そういったことはできず、あくまでユーザーが入力してきた文字列からチェックしなくてはいけません。

URIのモジュールを使用して上手いこと取得できないかなと考えたのですが、必ずしもhttp://から入力してくれるわけではありませんので、URI::Generic オブジェクトが生成され、期待するようなプログラムが実装できません。

url = "http://www.google.com"
URI(url).host
URI(url).path

良い例

url = "http://www.hogehoge/aaa/hugahuga.html"
URI(url).path.split(".")[0]
=> "/aaa/hugahuga"

#ダメな例

URI("www.hogehoge.com").path.split(".")[0]
=> "www"

このケースではhogehogeのみを取得したい

URI("hogehoge.com/piyo").path.split(".")[0]
=> "hogehoge"

こういうケースはそもそも実装可能なのかどうかすら怪しくなってきました。。。

ここでは ["hogehoge","piyo"] を取得したい

宜しくお願いします。

Answer 1

まずは、仕様をはっきりさせてください。何に対してどういう値を返して欲しいのか、断片的な例しかなくてまったく読み取れません。

そして、

www.hogehoge.com （中略）このケースではhogehogeのみを取得したい

www.example.comでもwww.example.jpでも「example」を返してしまうとして、本当にそれで意味のあるバリデーションとなるのでしょうか（TLDが急激に増加しているので、攻撃用にTLDだけ違うドメインを取得する可能性も考えられます）。バリデーションの設計から見直しが必要かもしれません。