如何从网址中仅提取域名？ [复制]

Posted 2023-02-15

【中文标题】如何从网址中仅提取域名？ [复制]

【英文标题】：How to extract just domain names from urls? [duplicate]

【发布时间】：2022-01-08 06:12:36

【问题描述】：

我有以下 URL 列表：

urls = ["http://arxiv.org/pdf/1611.08097", "https://doi.org/10.1109/tkde.2016.2598561", "https://www.scopus.com/inward/record.uri?partnerID=HzOxMe3b&scp=85116544648&origin=inward"]

从列表的每个元素中，我尝试仅提取域名，例如：arxiv、doi、scopus。

为此我有一个代码：

import re

for url in urls:
    print(re.search('https?://([A-Za-z_0-9.-]+).*', url).group(1))

打印的输出：

arxiv.org
doi.org
www.scopus.com

如何修改上述正则表达式以仅提取域而不提取 www.、.com、.org 等其他内容？

提前致谢。

【问题讨论】：

如果你有类似www.sub.domain.co.uk的东西怎么办？

@mozway 绝不会如此

所以总是A.B.C 或B.C 而你想要B？

@mozway 是的，完全正确

好的，我modified your regex

【参考方案1】：

要仅获取域的倒数第二个块，您可以将正则表达式修改为：

[re.search('https?://(?:[^/]+\.)?([A-Za-z_0-9-]+)\.[^/.]+(?:/.*)?', url).group(1)
 for url in urls]

输出：

['arxiv', 'doi', 'scopus']

urllib

@AbdulNiyasPM 有一个很好的答案，可惜它被删除了，你可以修改它以获得你想要的：

from urllib.parse import urlparse
[urlparse(url).hostname.split('.')[-2]
 for url in urls]

【参考方案2】：

您可以从字符类中删除点并制作 www。可选的。该值在捕获组 1 中。

https?://(?:www\.)?([A-Za-z_0-9-]+)

Regex demo