Question

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

我编写了正则表达式，并按如下方式使用python的re模块：

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)将提取re.search中（）之间的部分。

我期望的输出是：google.co.uk 但是我得到了：

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

您能指出我如何使用re来达到我的要求吗？

Answer 1

您需要写

print(m.group(1))

甚至更好-在此之前有一个条件：

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

Answer 2

Jan已经为此提供了解决方案。但要注意，我们无需使用re就可以实现相同的功能。它仅需要!"#$%&\'()*+,-./:;<=>?@[\\]^_`{|}~即可进行验证。可以从string包中获得相同的内容。

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'

这是没有re的情况下解决该问题的另一种方法。

Answer 3

有一个名为 tldextract 的库，在这种情况下非常可靠。

这是它的工作方式

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

使用python的re regex从URL提取域名

3 个答案: