如何仅将 URL 的域部分与正则表达式匹配？

Question

我正在编写一个 Python 代码来处理一段文本，其中在对我来说无用的文本中，包含 URL。在文本块中，我只需要域，而不是完整的 URL。示例输入：

47.91.158.176 or 54.145.185.110 port 80 - gooolgeremf.top - GET /search.php
47.90.205.113 or 35.187.59.173 port 80 - voperforseanx.top/site/chrome_update.html

所以在这里我只需要匹配gooolgeremf.top 和voperforseanx.top，但我编写的正则表达式也将匹配search.php 和chrome_update.html。

我在想的是正则表达式应该在/ 之后停止匹配。但是我不知道如何实现它，尤其是如何不阻止出现在整个文本文件中第一个 / 之后的匹配域。

到目前为止它在我的代码中的工作方式：

regexdm="[A-Za-z0-9]{1,}\.[A-Za-z0-9]{1,10}\.?[A-Za-z]{1,}\.?[A-Za-z]{1,}"
dmsc=re.findall(regexdm, iocsd.read())

Answer 1

我建议添加分隔符条件。如果域名只能由空格、行首/行尾和域前两个正斜杠和一个斜杠包围，则正则表达式为：

(?: |//|^)([A-Za-z0-9]{1,}\.[A-Za-z0-9]{1,10}\.?[A-Za-z]{1,}\.?[A-Za-z]{1,})(?: |/|$)

演示：https://regex101.com/r/TQKlDP/1

Answer 2

正则表达式不是最简单的方法，你应该使用urlparse.urlparse:

from urlparse import urlparse
parsed_uri = urlparse('http://voperforseanx.top/site/chrome_update.html')
print parsed_uri.netloc

给予

voperforseanx.top

---

但是，作为参考，这里是如何使用正则表达式处理 URL：Getting parts of a URL (Regex)

Answer 3

(\b[\w\.]+\.[a-zA-Z]{2,}\b)(.+)$

在这个正则表达式中：

(\b[\w\.]+\.[a-zA-Z]{2,}\b)

部分，将匹配您要查找的内容，其余部分为废品。为了工作，这个正则表达式需要一个 gmi 修饰符。

Answer 4

在 Python 2.7.13 中，另一种方式示例（取决于输入模式）：

str = "47.90.205.113 or 35.187.59.173 port 80 - voperforseanx.top/site/chrome_update.html"
parsed_uri = str.split()[6].split('/')[0]
print parsed_uri
>> voperforseanx.top