python正则表达式网址答案

【问题标题】：python regex urlspython正则表达式网址
【发布时间】：2012-12-07 12:39:21
【问题描述】：

我有一堆（如果我可以说很难看）url，我想使用 python 正则表达式来清理它们。所以，我的网址看起来像：

http://www.thisislink1.com/this/is/sublink1/1
http://www.thisislink2.co.uk/this/is/sublink1s/klinks
http://www.thisislinkd.co/this/is/sublink1/hotlinks/2
http://www.thisislinkf.com.uk/this/is/sublink1d/morelink
http://www.thisislink1.co.in/this/is/sublink1c/mylink
....

我想做的是清理这些网址，使最终链接看起来像：

http://www.thisislink1.com
http://www.thisislink2.co.uk
http://www.thisislinkd.co
http://www.thisislinkf.de
http://www.thisislink1.us
....

我想知道如何以 Python 的方式实现这一点。抱歉，如果这是一个 101 问题 - 我是 pytho 正则表达式结构的新手。

【问题讨论】：

标签： python regex python-2.7

【解决方案1】：

使用urlparse.urlsplit:

In [3]: import urlparse    

In [8]: url = urlparse.urlsplit('http://www.thisislink1.com/this/is/sublink1/1')

In [9]: url.netloc
Out[9]: 'www.thisislink1.com'

在 Python3 中是

import urllib.parse as parse
url = parse.urlsplit('http://www.thisislink1.com/this/is/sublink1/1')

【讨论】：

【解决方案2】：

为什么要使用正则表达式？

>>> import urlparse
>>> url = 'http://www.thisislinkd.co/this/is/sublink1/hotlinks/2'
>>> urlparse.urlsplit(url)
SplitResult(scheme='http', netloc='www.thisislinkd.co', path='/this/is/sublink1/hotlinks/2', query='', fragment='')

【讨论】：

太棒了。我不知道 urlparse - 我必须说非常方便。再次感谢。我已经接受了你的回答。 urlparse.urlsplit(url).netloc 解决了这个问题。
刚刚看到@unutbu 先到了那里（几秒钟），跟他们一起去吧！
好的 Jon - 我会接受 unutbu 的回答 - 再次感谢您的帮助！

【解决方案3】：

您应该像其他人建议的那样使用 URL 解析器，但为了完整起见，这里有一个正则表达式的解决方案：

import re

url='http://www.thisislink1.com/this/is/sublink1/1'

re.sub('(?<![/:])/.*','',url)

>>> 'http://www.thisislink1.com'

解释：

匹配前面没有:或/的第一个正斜杠之后的所有内容，并将其替换为无''。

(?<![/:]) # Negative lookbehind for '/' or ':'
/.*       # Match a / followed by anything

【讨论】：

【解决方案4】：

也许使用这样的东西：

result = re.sub(r"(?m)(http://(www)?\..*?)/", r"\1", subject)

【讨论】：