Question

我对python很新。我正在尝试解析一个URL文件，只留下域名。

我的日志文件中的一些网址以http：//开头，有些网址以www.Some开头，以两者开头。

这是我的代码中删除http：//部分的部分。我需要添加什么来查找http和www。并删除两个？

line = re.findall(r'(https?://\S+)', line)

目前，当我运行代码时，只会剥离http：//。如果我将代码更改为以下内容：

line = re.findall(r'(https?://www.\S+)', line)

只有以两者开头的域都会受到影响。我需要代码更有条件。 TIA

编辑...这是我的完整代码...

import re
import sys
from urlparse import urlparse

f = open(sys.argv[1], "r")

for line in f.readlines():
 line = re.findall(r'(https?://\S+)', line)
 if line:
  parsed=urlparse(line[0])
  print parsed.hostname
f.close()

我把原帖误认为正则表达式。它确实使用了urlparse。

Answer 1

对于这种特定情况可能有点过分，但我通常使用urlparse.urlsplit（Python 2）或urllib.parse.urlsplit（Python 3）。

from urllib.parse import urlsplit  # Python 3
from urlparse import urlsplit  # Python 2
import re

url = 'www.python.org'

# URLs must have a scheme
# www.python.org is an invalid URL
# http://www.python.org is valid

if not re.match(r'http(s?)\:', url):
    url = 'http://' + url

# url is now 'http://www.python.org'

parsed = urlsplit(url)

# parsed.scheme is 'http'
# parsed.netloc is 'www.python.org'
# parsed.path is None, since (strictly speaking) the path was not defined

host = parsed.netloc  # www.python.org

# Removing www.
# This is a bad idea, because www.python.org could 
# resolve to something different than python.org

if host.startswith('www.'):
    host = host[4:]

Answer 2

你可以在这里没有正则表达式。

with open("file_path","r") as f:
    lines = f.read()
    lines = lines.replace("http://","")
    lines = lines.replace("www.", "") # May replace some false positives ('www.com')
    urls = [url.split('/')[0] for url in lines.split()]
    print '\n'.join(urls)

示例文件输入：

http://foo.com/index.html
http://www.foobar.com
www.bar.com/?q=res
www.foobar.com

输出：

foo.com
foobar.com
bar.com
foobar.com

修改

可能有一个像foobarwww.com这样棘手的网址，而上述方法会删除www。我们将不得不恢复使用正则表达式。

将行lines = lines.replace("www.", "")替换为lines = re.sub(r'(www.)(?!com)',r'',lines)。当然，每个可能的TLD都应该用于不匹配模式。

Answer 3

我遇到了同样的问题。这是一个基于正则表达式的解决方案：

>>> import re
>>> rec = re.compile(r"https?://(www\.)?")

>>> rec.sub('', 'https://domain.com/bla/').strip().strip('/')
'domain.com/bla'

>>> rec.sub('', 'https://domain.com/bla/    ').strip().strip('/')
'domain.com/bla'

>>> rec.sub('', 'http://domain.com/bla/    ').strip().strip('/')
'domain.com/bla'

>>> rec.sub('', 'http://www.domain.com/bla/    ').strip().strip('/')
'domain.com/bla'

Answer 4

查看urlparse library，它可以自动为您完成这些操作。

>>> urlparse.urlsplit('http://www.google.com.au/q?test')
SplitResult(scheme='http', netloc='www.google.com.au', path='/q', query='test', fragment='')

Answer 5

您可以使用urlparse。此外，该解决方案应该是通用的，以便在域名之前删除“www”以外的内容（即处理诸如server1.domain.com之类的情况）。以下是一个应该有效的快速尝试：

from urlparse import urlparse

url = 'http://www.muneeb.org/files/alan_turing_thesis.jpg'

o = urlparse(url)

domain = o.hostname

temp = domain.rsplit('.')

if(len(temp) == 3):
    domain = temp[1] + '.' + temp[2]

print domain

Answer 6

我相信@Muneeb Ali离解决方案最近，但问题出在诸如frontdomain.domain.co.uk之类的问题上。...

我想：

for i in range(1,len(temp)-1):
    domain = temp[i]+"."
domain = domain + "." + temp[-1]

有更好的方法吗？

找到http：//和/或www。并从域中剥离。离开domain.com

6 个答案: