使用 python 的 re 正则表达式从 URL 中提取域名答案

【问题标题】：Extract domain name from URL using python's re regex使用 python 的 re 正则表达式从 URL 中提取域名
【发布时间】：2019-04-26 06:34:18
【问题描述】：

我想输入一个 URL 并提取域名，它是 http:// 或 https:// 之后的字符串，包含字符串、数字、点、下划线或破折号。

我写了正则表达式并使用了python的re模块如下：

import re
m = re.search('https?://([A-Za-z_0-9.-]+).*', 'https://google.co.uk?link=something')
m.group(1)
print(m)

我的理解是m.group(1)会提取re.search中()之间的部分。

我期望的输出是：google.co.uk 但我得到了这个：

<_sre.SRE_Match object; span=(0, 35), match='https://google.co.uk?link=something'>

你能指点我如何使用re来实现我的要求吗？

【问题讨论】：

标签： python regex python-3.x

【解决方案1】：

你需要写

print(m.group(1))

更好的是 - 之前有条件：

m = re.search('https?://([A-Za-z_0-9.-]+).*', 'https://google.co.uk?link=something')
if m:
    print(m.group(1))

【讨论】：

【解决方案2】：

Jan 已经为此提供了解决方案。但请注意，我们可以在不使用re 的情况下实现相同的功能。它所需要的只是!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~ 用于验证目的。同样可以从string包中获得。

def domain_finder(link):
    import string
    dot_splitter = link.split('.')

    seperator_first = 0
    if '//' in dot_splitter[0]:
        seperator_first = (dot_splitter[0].find('//') + 2)

    seperator_end = ''
    for i in dot_splitter[2]:
        if i in string.punctuation:
            seperator_end = i
            break

    if seperator_end:
        end_ = dot_splitter[2].split(seperator_end)[0]
    else:
        end_ = dot_splitter[2]

    domain = [dot_splitter[0][seperator_first:], dot_splitter[1], end_]
    domain = '.'.join(domain)

    return domain

link = 'https://google.co.uk?link=something'
domain = domain_finder(link=link)
print(domain) # prints ==> 'google.co.uk'

这只是在没有re 的情况下解决相同问题的另一种方法。

【讨论】：

【解决方案3】：

有一个名为 tldextract 的库在这种情况下非常可靠。

下面是它的工作原理

import tldextract

def extractDomain(url):
    if "http" in str(url) or "www" in str(url):
        parsed = tldextract.extract(url)
        parsed = ".".join([i for i in parsed if i])
        return parsed
    else: return "NA"

op = open("out.txt",'w')
# with open("test.txt") as ptr:
#   for lines in ptr.read().split("\n"):
#       op.write(str(extractDomain(lines)) + "\n")

print(extractDomain("https://test.pythonhosted.org/Flask-Mail/"))

输出如下，

test.pythonhosted.org

【讨论】：

但我需要子域顺便说一句。我认为第一个更可靠。这个库依赖于硬编码列表。所以这取决于列表的更新程度。
是的，两者都提供了良好的结果。在我的用例中，我必须单独获取域名，这对我有很大帮助。还对 10K 不同的 url 进行了一些测试，它们都可以正常工作