Python实现从url中提取域名的几种方法

更新时间：2014年09月26日 12:12:45 投稿：junjie

这篇文章主要介绍了Python实现从url中提取域名的几种方法,本文给出了3种方法实现在URL中提取域名的需求,需要的朋友可以参考下

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

代码如下:

from urlparse import urlparse
domain = urlparse(domain_url).netloc   #我自己用的

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

代码如下:

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

代码如下:

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