Найдите http://и/или www. и полоса из домена. оставив domain.com

Я новичок в python. Я пытаюсь проанализировать файл URL-адресов, чтобы оставить только имя домена.

некоторые из URL-адресов в моем файле журнала начинаются с http://, а некоторые начинаются с www.Some начинаются с обоих.

Это часть моего кода, который разделяет часть http://. Что мне нужно добавить к нему, чтобы искать как http, так и www. и удалить оба?

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

В настоящее время, когда я запускаю код, удаляется только http://. если я изменил код на следующее:

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

Возникают только домены, начинающиеся с обоих. Мне нужен код более условным. ТИА

редактирование... вот мой полный код...

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()

Я ошибался по оригинальному сообщению в качестве регулярного выражения. он действительно использует urlparse.

Ответ 1

Здесь вы можете обойтись без регулярных выражений.

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)

Пример ввода файла:

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

Вывод:

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

Редактировать:

Может быть сложный URL-адрес, например foobarwww.com, и вышеупомянутый подход разделил бы www. Затем нам нужно вернуться к использованию регулярных выражений.

Замените линейные lines = lines.replace("www.", "") lines = re.sub(r'(www.)(?!com)',r'',lines). Конечно, все возможные TLD должны использоваться для шаблона несоответствия.

Ответ 2

Это может быть излишним для этой конкретной ситуации, но я обычно использовал urlparse.urlsplit (Python 2) или 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:]

Ответ 3

Посмотрите библиотеку urlparse, которая может сделать это автоматически.

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

Ответ 4

Я столкнулся с той же проблемой. Это решение, основанное на регулярных выражениях:

>>> 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'

Ответ 5

Вы можете использовать urlparse. Кроме того, решение должно быть общим для удаления объектов, отличных от www, до имени домена (например, обрабатывать такие случаи, как server1.domain.com). Ниже приведена следующая попытка:

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