用于提取域和子域的正则表达式

Question

我正在尝试将一堆网站剥离为它们的域名，即：

https://www.facebook.org/hello 

变成facebook.org。

我正在使用正则表达式模式查找器：

(https?:\/\/)?([wW]{3}\.)?([\w]*.\w*)([\/\w]*)

这可以捕获大多数情况，但偶尔会有以下网站：

http://www.xxxx.wordpress.com/hello

我想将其剥离到xxxx.wordpress.com。

如何在识别所有其他正常条目的同时识别这些案例？

Answer 1

您的表达式似乎工作得非常好，它会输出您可能想要的内容。我只添加了一个i 标志并稍微修改为：

(https?:\/\/)?([w]{3}\.)?(\w*.\w*)([\/\w]*)

正则表达式

如果这不是您想要的表达式，您可以在regex101.com 中修改/更改您的表达式。

正则表达式电路

您还可以在jex.im 中可视化您的表达式：

Python 代码

# coding=utf8
# the above tag defines encoding for this document and is for Python 2.x compatibility

import re

regex = r"(https?:\/\/)?([w]{3}\.)?(\w*.\w*)([\/\w]*)"

test_str = ("https://www.facebook.org/hello\n"
    "http://www.xxxx.wordpress.com/hello\n"
    "http://www.xxxx.yyy.zzz.wordpress.com/hello")

subst = "\\3"

# You can manually specify the number of replacements by changing the 4th argument
result = re.sub(regex, subst, test_str, 0, re.MULTILINE | re.IGNORECASE)

if result:
    print (result)

# Note: for Python 2.7 compatibility, use ur"" to prefix the regex and u"" to prefix the test string and substitution.

JavaScript 演示

const regex = /(https?:\/\/)?([w]{3}\.)?(\w*.\w*)([\/\w]*)/gmi;
const str = `https://www.facebook.org/hello
http://www.xxxx.wordpress.com/hello
http://www.xxxx.yyy.zzz.wordpress.com/hello`;
const subst = `$3`;

// The substituted value will be contained in the result variable
const result = str.replace(regex, subst);

console.log('Substitution result: ', result);

Answer 2

虽然 Robert Harvey 提出了一个有用的方法 urllib.parse，但这是我对正则表达式的尝试：

(?:http[s]?:\/\/)?(?:www\.)?([^/\n\r\s]+\.[^/\n\r\s]+)(?:/)?(\w+)?

如regex101.com所见

解释-

首先，正则表达式检查是否存在https:// 或http://。如果是这样，它会忽略它，但之后会开始搜索。

然后正则表达式检查www. - 重要的是要注意这是可选的，所以如果用户输入my website is site.com，site.com 将被匹配。

[^/\n\r\s]+\.[^/\n\r\s]+ 匹配您需要的实际 url，因此它不会有空格或换行符。哦，其中必须至少有一个句点 (.)。

由于您的问题看起来您也想匹配子目录，所以我在末尾添加了(\w+)?。

TL;DR

第 0 组 - 整个网址

第 1 组 - 域名

第 2 组 - 子目录

Answer 3

print("-------------")

# coding=utf8
# the above tag defines encoding for this document and is for Python 2.x compatibility

    import re
    
    regex = r"(https?:\/\/)?([w]{3}\.)?(\w*.\w*)([\/\w]*)"
    regex1 = r"\.?(microsoft.com.*)"
    test_str = (
    "https://blog.microsoft.com/test.html\n"
    "https://www.blog.microsoft.com/test/test\n"
    "https://microsoft.com\n"
    "http://www.blog.xyz.abc.microsoft.com/test/test\n"
    "https://www.microsoft.com")
    
    subst = "\\3"
    if test_str:
        print (test_str)
    
    print ("-----")
    # You can manually specify the number of replacements by changing the 4th argument
    result = re.sub(regex, subst, test_str, 0, re.MULTILINE | re.IGNORECASE)
    if result:
        print (result)
    
    print ("-----")
    result = re.sub(regex1, "", result, 0, re.MULTILINE | re.IGNORECASE)
    if result:
        print (result)
    
    print ("-----")