如何从 URL 中提取域名，不包括任何子域？
我最初的简单尝试是：
'.'.join(urlparse.urlparse(url).netloc.split('.')[-2:])
这适用于http://www.foo.com，但不适用于http://www.foo.com.au。 有没有办法在不使用有关有效 TLD（顶级域）或国家代码（因为它们会发生变化）的特殊知识的情况下正确执行此操作。
谢谢
【问题讨论】：
标签： python url parsing dns extract
不，没有“内在”方式知道（例如）zap.co.it 是一个子域（因为意大利的注册商确实出售诸如 co.it 之类的域）而 zap.co.uk 不是 > （因为英国的注册商不出售co.uk 之类的域名，而只出售zap.co.uk 之类的域名。
您只需要使用辅助表（或在线资源）来告诉您哪些 TLD 的行为与英国和澳大利亚的行为特别相似 - 如果没有额外的语义知识（或当然它最终会改变，但如果你能找到一个好的在线资源，那么这个来源也会相应地改变，希望！-)。
【讨论】：
【讨论】：
使用在 Mozilla 网站上找到的 this file of effective tlds someone else：
from __future__ import with_statement
from urlparse import urlparse
# load tlds, ignore comments and empty lines:
with open("effective_tld_names.dat.txt") as tld_file:
tlds = [line.strip() for line in tld_file if line[0] not in "/\n"]
def get_domain(url, tlds):
url_elements = urlparse(url)[1].split('.')
# url_elements = ["abcde","co","uk"]
for i in range(-len(url_elements), 0):
last_i_elements = url_elements[i:]
# i=-3: ["abcde","co","uk"]
# i=-2: ["co","uk"]
# i=-1: ["uk"] etc
candidate = ".".join(last_i_elements) # abcde.co.uk, co.uk, uk
wildcard_candidate = ".".join(["*"] + last_i_elements[1:]) # *.co.uk, *.uk, *
exception_candidate = "!" + candidate
# match tlds:
if (exception_candidate in tlds):
return ".".join(url_elements[i:])
if (candidate in tlds or wildcard_candidate in tlds):
return ".".join(url_elements[i-1:])
# returns "abcde.co.uk"
raise ValueError("Domain not in global list of TLDs")
print get_domain("http://abcde.co.uk", tlds)
结果：
abcde.co.uk
如果有人让我知道上面的哪些部分可以用更 Python 的方式重写，我将不胜感激。例如，必须有一种更好的方法来遍历last_i_elements 列表，但我想不出一个。我也不知道ValueError 是否是最好的筹码。评论？
【讨论】：
effective_tld_names.dat 文件是否也针对.amsterdam、.vodka 和.wtf 等新域进行了更新？
public_suffix_list.dat，如果您未指定它应该以 UTF8 格式读取文件，Python 会报错。明确指定编码：with open("public_suffix_list.dat", encoding="utf8") as tld_file
看到这个问题后，有人写了一个很棒的python模块来解决这个问题： https://github.com/john-kurkowski/tldextract
该模块在 Public Suffix List 中查找 TLD，由 Mozilla 志愿者管理
引用：
另一方面，
tldextract知道所有 gTLD [通用顶级域] 和 ccTLD [国家代码顶级域] 看起来像 通过根据Public Suffix List 查找当前活着的人。因此，给定一个 URL，它从它的域中知道它的子域，并且它的 来自其国家/地区代码的域。
【讨论】：
tld 失败（它将有效的 URL 标记为无效）。
我是这样处理的：
if not url.startswith('http'):
url = 'http://'+url
website = urlparse.urlparse(url)[1]
domain = ('.').join(website.split('.')[-2:])
match = re.search(r'((www\.)?([A-Z0-9.-]+\.[A-Z]{2,4}))', domain, re.I)
if not match:
sys.exit(2)
elif not match.group(0):
sys.exit(2)
【讨论】：
使用pythontld
https://pypi.python.org/pypi/tld
pip install tld
from tld import get_tld
print get_tld("http://www.google.co.uk")
co.uk
或无协议
from tld import get_tld
get_tld("www.google.co.uk", fix_protocol=True)
co.uk
from tld import get_tld
res = get_tld("http://some.subdomain.google.co.uk", as_object=True)
res
# 'co.uk'
res.subdomain
# 'some.subdomain'
res.domain
# 'google'
res.tld
# 'co.uk'
res.fld
# 'google.co.uk'
res.parsed_url
# SplitResult(
# scheme='http',
# netloc='some.subdomain.google.co.uk',
# path='',
# query='',
# fragment=''
# )
from tld import get_fld
get_fld("http://www.google.co.uk")
# 'google.co.uk'
【讨论】：
tld 包中可能会出现适当的修复。
tld.exceptions.TldDomainNotFound 异常并继续执行您正在执行的操作，即使尚未找到域也是如此。
tld.get_tld()实际上返回的是完全限定的域名，而不是顶级域？
在所有新的 get_tld 更新之前，我从错误中提取 tld。当然这是糟糕的代码，但它可以工作。
def get_tld():
try:
return get_tld(self.content_url)
except Exception, e:
re_domain = re.compile("Domain ([^ ]+) didn't match any existing TLD name!");
matchObj = re_domain.findall(str(e))
if matchObj:
for m in matchObj:
return m
raise e
【讨论】：
在 Python 中，我曾经使用 tldextract 直到它失败，并使用像 www.mybrand.sa.com 这样的 url 将其解析为 subdomain='order.mybrand', domain='sa', suffix='com'!!
所以最后，我决定写这个方法
重要提示：这仅适用于其中包含子域的 url。这并不是要替换更高级的库，例如 tldextract
def urlextract(url):
url_split=url.split(".")
if len(url_split) <= 2:
raise Exception("Full url required with subdomain:",url)
return {'subdomain': url_split[0], 'domain': url_split[1], 'suffix': ".".join(url_split[2:])}
【讨论】：