我正在尝试从 URL 列表中提取域名。就像在https://stackoverflow.com/questions/18331948/extract-domain-name-from-the-url
我的问题是 URL 可以是一切,几个例子:
m.google.com
=> google
m.docs.google.com
=> google
www.someisotericdomain.innersite.mall.co.uk
=> mall
www.ouruniversity.department.mit.ac.us
=> mit
www.somestrangeurl.shops.relevantdomain.net
=> relevantdomain
www.example.info
=>example
等等..
域的多样性不允许我使用正则表达式,如如何从 URL 获取域名中所示(因为我的脚本将在来自真实网络流量的大量 url 上运行,正则表达式必须是巨大的,才能捕获上述提到的所有类型的域)。
不幸的是,我的网络研究没有提供任何有效的解决方案。
有没有人知道如何做到这一点?
任何帮助将不胜感激 !
谢谢
使用tldextract
哪个更有效的版本urlparse
,tldextract
准确地将gTLD
or ccTLD
(通用或国家代码顶级域)与注册的domain
和分开subdomains
。
>>> import tldextract
>>> ext = tldextract.extract('http://forums.news.cnn.com/')
ExtractResult(subdomain='forums.news', domain='cnn', suffix='com')
>>> ext.domain
'cnn'
本文收集自互联网,转载请注明来源。
如有侵权,请联系[email protected] 删除。
我来说两句