Python实现从url中提取域名的几种方法

从url中找到域名,首先想到的是用正则,然后寻找相应的类库。用正则解析有很多不完备的地方,url中有域名,域名后缀一直在不断增加等。通过google查到几种方法,一种是用Python中自带的模块和正则相结合来解析域名,另一种是使第三方用写好的解析模块直接解析出域名。

要解析的url


urls = ["http://meiwen.me/src/index.html",

          "http://1000chi.com/game/index.html",

          "http://see.xidian.edu.cn/cpp/html/1429.html",

          "https://docs.python.org/2/howto/regex.html",

          """https://www.google.com.hk/search?client=aff-cs-360chromium&hs=TSj&q=url%E8%A7%A3%E6%9E%90%E5%9F%9F%E5%90%8Dre&oq=url%E8%A7%A3%E6%9E%90%E5%9F%9F%E5%90%8Dre&gs_l=serp.3...74418.86867.0.87673.28.25.2.0.0.0.541.2454.2-6j0j1j1.8.0....0...1c.1j4.53.serp..26.2.547.IuHTj4uoyHg""",

          "file:///D:/code/echarts-2.0.3/doc/example/tooltip.html",

          "http://api.mongodb.org/python/current/faq.html#is-pymongo-thread-safe",

          "https://pypi.python.org/pypi/publicsuffix/",

          "http://127.0.0.1:8000"

          ]

使用urlparse+正则的方式


import re

from urlparse import urlparse

topHostPostfix = (     '.com','.la','.io','.co','.info','.net','.org','.me','.mobi',     '.us','.biz','.xxx','.ca','.co.jp','.com.cn','.net.cn',     '.org.cn','.mx','.tv','.ws','.ag','.com.ag','.net.ag',     '.org.ag','.am','.asia','.at','.be','.com.br','.net.br',     '.bz','.com.bz','.net.bz','.cc','.com.co','.net.co',     '.nom.co','.de','.es','.com.es','.nom.es','.org.es',     '.eu','.fm','.fr','.gs','.in','.co.in','.firm.in','.gen.in',     '.ind.in','.net.in','.org.in','.it','.jobs','.jp','.ms',     '.com.mx','.nl','.nu','.co.nz','.net.nz','.org.nz',     '.se','.tc','.tk','.tw','.com.tw','.idv.tw','.org.tw',     '.hk','.co.uk','.me.uk','.org.uk','.vg', ".com.hk")

regx = r'[^\.]+('+'|'.join([h.replace('.',r'\.') for h in topHostPostfix])+')$' pattern = re.compile(regx,re.IGNORECASE)

print "--"*40 for url in urls:     parts = urlparse(url)     host = parts.netloc     m = pattern.search(host)     res =  m.group() if m else host     print "unkonw" if not res else res

运行结果如下:


meiwen.me

1000chi.com

see.xidian.edu.cn

python.org

google.com.hk

unkonw

mongodb.org

python.org

127.0.0.1:8000

基本可以接受

urllib来解析域名


import urllib

print "--"*40 for url in urls:     proto, rest = urllib.splittype(url)     res, rest = urllib.splithost(rest)     print "unkonw" if not res else res

运行结果如下:


meiwen.me

1000chi.com

see.xidian.edu.cn

docs.python.org

www.google.com.hk

unkonw

api.mongodb.org

pypi.python.org

127.0.0.1:8000

会把www.也带上,还需要进一步解析才可以

使用第三方模块 tld


from tld import get_tld

print "--"*40 for url in urls:     try:         print  get_tld(url)     except Exception as e:         print "unkonw"

运行结果:


meiwen.me

1000chi.com

xidian.edu.cn

python.org

google.com.hk

unkonw

mongodb.org

python.org

unkonw

结果都可以接受

其他可以使用的解析模块:

tld
tldextract
publicsuffix