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
Use
tldextract
which is more efficient version ofurlparse
,tldextract
accurately separates thegTLD
orccTLD
(generic or国家代码顶级域)来自已注册的domain
和subdomains
的 URL。