在 Python 中从 URL 中提取域名

Question

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 可以包含所有内容，举几个例子：

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捉所有类型的领域）。

不幸的是，我的网络研究没有提供任何有效的解决方案。

有谁知道如何做到这一点？

任何帮助将不胜感激 ！

谢谢

原文由 kobibo 发布，翻译遵循 CC BY-SA 4.0 许可协议

Answer 1

Use tldextract which is more efficient version of urlparse , tldextract accurately separates the gTLD or ccTLD (generic or国家代码顶级域）来自已注册的 domain 和 subdomains 的 URL。

 >>> import tldextract
>>> ext = tldextract.extract('http://forums.news.cnn.com/')
ExtractResult(subdomain='forums.news', domain='cnn', suffix='com')
>>> ext.domain
'cnn'

原文由 akash karothiya 发布，翻译遵循 CC BY-SA 3.0 许可协议

Answer 2

看来您可以为该网址使用 urlparse https://docs.python.org/3/library/urllib.parse.html ，然后提取 netloc。

从 netloc 中，您可以使用 split 轻松提取域名

原文由 Mariano Anaya 发布，翻译遵循 CC BY-SA 3.0 许可协议