[英]Extract domain name from URL using python's re regex
我想输入一个 URL 并提取域名,即 http:// 或 https:// 之后的字符串,包含字符串、数字、点、下划线或破折号。
我编写了正则表达式并使用了 python 的re
模块,如下所示:
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)
会在 re.search 中提取 () 之间的部分。
我期望的输出是: google.co.uk
但我得到的是:
<_sre.SRE_Match object; span=(0, 35), match='https://google.co.uk?link=something'>
你能告诉我如何使用re
来实现我的要求吗?
你需要写
print(m.group(1))
更好的是 - 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))
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'
这只是不用re
解决相同问题的另一种方法。
在这种情况下,有一个名为tldextract的库非常可靠。
这是它的工作原理
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
声明:本站的技术帖子网页,遵循CC BY-SA 4.0协议,如果您需要转载,请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.