如何从网址中提取域名,不包括任何子域?
我最初的简单尝试是:
'.'.join(urlparse.urlparse(url).netloc.split('.')[-2:])
这适用于http://www.foo.com,但不适用于http://www.foo.com.au。 有没有办法在不使用有效TLD(顶级域名)或国家/地区代码(因为它们发生变化)的特殊知识的情况下正确地做到这一点。
感谢
答案 0 :(得分:45)
这是一个伟大的python模块,有人在看到这个问题后写了解决这个问题: https://github.com/john-kurkowski/tldextract
该模块在Public Suffix List中查找由Mozilla志愿者提供的TLD
引用:
另一方面,
tldextract
知道所有gTLD [通用顶级域名] 和ccTLD [国家和地区代码顶级域名]看起来像 根据{{3}}查找当前生活的人。因此,给定一个URL,它知道其域中的子域及其域 来自其国家/地区代码的域名。
答案 1 :(得分:43)
不,没有“内在”的方式知道(例如)zap.co.it
是一个子域名(因为意大利的注册商出售co.it
等域名zap.co.uk
不是(因为英国的注册商不会销售co.uk
等域名,而只会像zap.co.uk
那样销售。
你只需要使用一个辅助表(或在线资源)来告诉你哪个顶级域名行为特别像英国和澳大利亚那样 - 没有办法在没有这些额外语义知识的情况下仅仅盯着字符串(当然它最终会改变,但是如果你能找到一个好的在线资源,那么资源也会相应改变,人们希望! - 。)。
答案 2 :(得分:42)
使用this file of effective tlds someone else在Mozilla网站上找到的内容:
from __future__ import with_statement
from urlparse import urlparse
# load tlds, ignore comments and empty lines:
with open("effective_tld_names.dat.txt") as tld_file:
tlds = [line.strip() for line in tld_file if line[0] not in "/\n"]
def get_domain(url, tlds):
url_elements = urlparse(url)[1].split('.')
# url_elements = ["abcde","co","uk"]
for i in range(-len(url_elements), 0):
last_i_elements = url_elements[i:]
# i=-3: ["abcde","co","uk"]
# i=-2: ["co","uk"]
# i=-1: ["uk"] etc
candidate = ".".join(last_i_elements) # abcde.co.uk, co.uk, uk
wildcard_candidate = ".".join(["*"] + last_i_elements[1:]) # *.co.uk, *.uk, *
exception_candidate = "!" + candidate
# match tlds:
if (exception_candidate in tlds):
return ".".join(url_elements[i:])
if (candidate in tlds or wildcard_candidate in tlds):
return ".".join(url_elements[i-1:])
# returns "abcde.co.uk"
raise ValueError("Domain not in global list of TLDs")
print get_domain("http://abcde.co.uk", tlds)
结果:
abcde.co.uk
如果有人让我知道上面哪些部分可以用更加pythonic的方式重写,我会很感激。例如,必须有一种更好的迭代last_i_elements
列表的方法,但我想不到一个。我也不知道ValueError
是否是最好的事情。评论
答案 3 :(得分:23)
使用python tld
https://pypi.python.org/pypi/tld
pip install tld
from tld import get_tld
print get_tld("http://www.google.co.uk")
co.uk
或没有协议
from tld import get_tld
get_tld("www.google.co.uk", fix_protocol=True)
co.uk
from tld import get_tld
res = get_tld("http://some.subdomain.google.co.uk", as_object=True)
res
# 'co.uk'
res.subdomain
# 'some.subdomain'
res.domain
# 'google'
res.tld
# 'co.uk'
res.fld
# 'google.co.uk'
res.parsed_url
# SplitResult(
# scheme='http',
# netloc='some.subdomain.google.co.uk',
# path='',
# query='',
# fragment=''
# )
from tld import get_fld
get_fld("http://www.google.co.uk")
# 'google.co.uk'
答案 4 :(得分:2)
有很多很多TLD。这是清单:
http://data.iana.org/TLD/tlds-alpha-by-domain.txt
这是另一个清单
http://en.wikipedia.org/wiki/List_of_Internet_top-level_domains
这是另一个清单
答案 5 :(得分:0)
以下是我处理它的方式:
if not url.startswith('http'):
url = 'http://'+url
website = urlparse.urlparse(url)[1]
domain = ('.').join(website.split('.')[-2:])
match = re.search(r'((www\.)?([A-Z0-9.-]+\.[A-Z]{2,4}))', domain, re.I)
if not match:
sys.exit(2)
elif not match.group(0):
sys.exit(2)
答案 6 :(得分:0)
在更新所有新的get_tld之前,我从错误中拉出tld。当然,它的代码很糟糕,但它确实有效。
def get_tld():
try:
return get_tld(self.content_url)
except Exception, e:
re_domain = re.compile("Domain ([^ ]+) didn't match any existing TLD name!");
matchObj = re_domain.findall(str(e))
if matchObj:
for m in matchObj:
return m
raise e
答案 7 :(得分:0)
在Python中,我曾经使用 tldextract ,直到它失败,并出现诸如www.mybrand.sa.com
之类的网址,并将其解析为subdomain='order.mybrand', domain='sa', suffix='com'
!
所以最后,我决定编写此方法,该方法仅适用于其中具有子域的url
def urlextract(url):
url_split=url.split(".")
if len(url_split) <= 2:
raise Exception("Full url required with subdomain:",url)
return {'subdomain': url_split[0], 'domain': url_split[1], 'suffix': ".".join(url_split[2:])}