使用 python 的正则表达式从 URL 中提取域名

Question

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？

Answer 1

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))

Answer 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'

这只是不用re解决相同问题的另一种方法。

Answer 3

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