Question

我有http://www.techcrunch.com/之类的链接，我想获得该链接的techcrunch.com部分。我如何在python中进行此操作？

Answer 1

使用urlparse获取主机名很简单：

hostname = urlparse.urlparse("http://www.techcrunch.com/").hostname

然而，获得“根域”会更成问题，因为它没有在语法意义上定义。什么是“www.theregister.co.uk”的根域？网络使用默认域名怎么样？ “devbox12”可以是有效的主机名。

处理此问题的一种方法是使用Public Suffix List，它会尝试对真正的顶级域名（例如“.com”，“。net”，“。org”）以及私有域进行编目使用（例如“.co.uk”或甚至“.github.io”）。您可以使用publicsuffix2库从Python访问PSL：

import publicsuffix
import urlparse

def get_base_domain(url):
    # This causes an HTTP request; if your script is running more than,
    # say, once a day, you'd want to cache it yourself.  Make sure you
    # update frequently, though!
    psl = publicsuffix.fetch()

    hostname = urlparse.urlparse(url).hostname

    return publicsuffix.get_public_suffix(hostname, psl)

Answer 2

网址的一般结构：

方案：// netloc /路径;参数查询＃片段

作为 TIMTOWTDI 座右铭：

使用urlparse，

>>> from urllib.parse import urlparse  # python 3.x
>>> parsed_uri = urlparse('http://www.stackoverflow.com/questions/41899120/whatever')  # returns six components
>>> domain = '{uri.netloc}/'.format(uri=parsed_uri)
>>> result = domain.replace('www.', '')  # as per your case
>>> print(result)
'stackoverflow.com/'

使用tldextract ，

>>> import tldextract  # The module looks up TLDs in the Public Suffix List, mantained by Mozilla volunteers
>>> tldextract.extract('http://forums.news.cnn.com/')
ExtractResult(subdomain='forums.news', domain='cnn', suffix='com')

在你的情况下：

>>> extracted = tldextract.extract('http://www.techcrunch.com/')
>>> '{}.{}'.format(extracted.domain, extracted.suffix)
'techcrunch.com'

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]看起来像根据公共后缀查找当前生活的人名单。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。

Cheerio！的：）

Answer 3

以下脚本并不完美，但可用于显示/缩短目的。如果你真的想要/需要避免任何第三方依赖 - 特别是远程获取和缓存一些tld数据，我可以建议你遵循我在我的项目中使用的脚本。对于大多数常见的域扩展，它使用域的最后两部分，并为其余不太知名的域扩展留下最后三部分。在最坏的情况下，场景将有三个部分而不是两个部分：

from urlparse import urlparse

def extract_domain(url):
    parsed_domain = urlparse(url)
    domain = parsed_domain.netloc or parsed_domain.path # Just in case, for urls without scheme
    domain_parts = domain.split('.')
    if len(domain_parts) > 2:
        return '.'.join(domain_parts[-(2 if domain_parts[-1] in {
            'com', 'net', 'org', 'io', 'ly', 'me', 'sh', 'fm', 'us'} else 3):])
    return domain

extract_domain('google.com')          # google.com
extract_domain('www.google.com')      # google.com
extract_domain('sub.sub2.google.com') # google.com
extract_domain('google.co.uk')        # google.co.uk
extract_domain('sub.google.co.uk')    # google.co.uk
extract_domain('www.google.com')      # google.com
extract_domain('sub.sub2.voila.fr')   # sub2.voila.fr

Answer 4

______使用Python 3.3而不是2.x ________

我想在Ben Blank的答案中添加一些小东西。

from urllib.parse import quote,unquote,urlparse
u=unquote(u) #u= URL e.g. http://twitter.co.uk/hello/there
g=urlparse(u)
u=g.netloc

到目前为止，我刚从urlparse获得了域名。

要删除子域，首先您需要知道哪些是顶级域，哪些不是。例如。在上面http://twitter.co.uk - co.uk中是TLD，而http://sub.twitter.com我们只有.com作为TLD而sub是子域名。

因此，我们需要获得一个包含所有tlds的文件/列表。

tlds = load_file("tlds.txt") #tlds holds the list of tlds

hostname = u.split(".")
if len(hostname)>2:
    if hostname[-2].upper() in tlds:
        hostname=".".join(hostname[-3:])
    else:
        hostname=".".join(hostname[-2:])
else:
    hostname=".".join(hostname[-2:])

Answer 5

def get_domain(url):
    u = urlsplit(url)
    return u.netloc

def get_top_domain(url):
    u"""
    >>> get_top_domain('http://www.google.com')
    'google.com'
    >>> get_top_domain('http://www.sina.com.cn')
    'sina.com.cn'
    >>> get_top_domain('http://bbc.co.uk')
    'bbc.co.uk'
    >>> get_top_domain('http://mail.cs.buaa.edu.cn')
    'buaa.edu.cn'
    """
    domain = get_domain(url)
    domain_parts = domain.split('.')
    if len(domain_parts) < 2:
        return domain
    top_domain_parts = 2
    # if a domain's last part is 2 letter long, it must be country name
    if len(domain_parts[-1]) == 2:
        if domain_parts[-1] in ['uk', 'jp']:
            if domain_parts[-2] in ['co', 'ac', 'me', 'gov', 'org', 'net']:
                top_domain_parts = 3
        else:
            if domain_parts[-2] in ['com', 'org', 'net', 'edu', 'gov']:
                top_domain_parts = 3
    return '.'.join(domain_parts[-top_domain_parts:])

Answer 6

您不需要包装，或者人们建议这样做的任何复杂性，它如下所示，并且可以根据您的喜好进行调整。

def is_root(url):
    head, sep, tail = url.partition('//')
    is_root_domain = tail.split('/', 1)[0] if '/' in tail else url
    # printing or returning is_root_domain will give you what you seek
    print(is_root_domain)

is_root('http://www.techcrunch.com/')

Answer 7

这对我有用：

def get_sub_domains(url):
    urlp = parseurl(url)
    urlsplit = urlp.netloc.split(".")
    l = []
    if len(urlsplit) < 3: return l
    for item in urlsplit:
        urlsplit = urlsplit[1:]
        l.append(".".join(urlsplit))
        if len(urlsplit) < 3:
            return l

Answer 8

使用这种简单的拆分方法，我们几乎可以得到任何域名。

url = 'https://www.google.com'
if '//' in url:
    root_domain = url.split('//')[1].split('/')[0]
    print(root_domain) # 'www.google.com'
else:
    root_domain = url.split('/')[0]
    print(root_domain) # 'www.google.com'

Answer 9

这符合我的目的。我想我会分享它。

".".join("www.sun.google.com".split(".")[-2:])

获取链接的根域

9 个答案: