从 Python 中的 URL 创建一列，其中包含每行的域名

Question

我从 Python 开始，在创建从 URL 列获取域名的新列时遇到问题。

谁能给我解释一下怎么做？

import pandas as pd

concu = pd.read_csv(r'/Desktop/Concu.csv')

df = pd.DataFrame(concu, columns= ['URL'])

#df3['Domain'] = #GET THE DOMAIN NAME (NO HTTP/HTTPS/WWW. AND without everything 
after .com, .io...)

print(df)




                                                   URL
0     https://smartkeyword.io/seo-outils-google-util...
1     https://smartkeyword.io/referencement-naturel-...
2     https://smartkeyword.io/seo-on-page-urls-optim...
3     https://smartkeyword.io/seo-outils-google-util...
4     https://smartkeyword.io/seo-outils-google-cach...
...                                                 ...
6758           https://www.primelis.com/consultant-seo/
6759       https://www.primelis.com/expertises/seo/aso/
6760  https://www.primelis.com/labo/consideration-li...
6761  https://www.primelis.com/faq/fonctionnement-re...
6762  https://www.primelis.com/blog/comment-est-ne-l...

[6763 rows x 1 columns]

非常感谢！

Answer 1

您可以尝试提取// 和/ 之间的任何内容，www. 是可选的，然后取第二组。

>>> df['URL'].str.extract('//(www\.){0,1}(.*?)/')[1]

0       smartkeyword.io
1       smartkeyword.io
2       smartkeyword.io
3       smartkeyword.io
4       smartkeyword.io
6758       primelis.com
6759       primelis.com
6760       primelis.com
6761       primelis.com
6762       primelis.com
Name: 1, dtype: object

如评论中所问，如果您不想使用组捕获，您可以使用 (?...)? 查找出现的 www. 的零次或精确一次并提取域。

>>> df['URL'].str.extract('//(?:www\.)?(.*?)/')

                    0
0     smartkeyword.io
1     smartkeyword.io
2     smartkeyword.io
3     smartkeyword.io
4     smartkeyword.io
6758     primelis.com
6759     primelis.com
6760     primelis.com
6761     primelis.com
6762     primelis.com

注意：?: 表示子模式是非捕获子模式。这意味着在(?:www\.) 中匹配的任何内容，即使它被() 包围，它也不会出现在匹配列表中，只有(.*?) 会出现。

由于您在评论中提到也有子域，如果有，请尝试以下操作：

df['URL'].str.extract('//(?:\w+\.)?(.*?\..*?)/')

上面的正则表达式将只捕获所需的文本，跳过www. 或任何其他子域。