python - 获取链接的根域

Question

我有一个链接，例如http://www.techcrunch.com/，我想只获取链接的 techcrunch.com 部分。我该如何在python中解决这个问题？

Answer 1

使用urlparse获取主机名很容易：

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

然而，获取“根域”将会有更多问题，因为它没有在句法意义上定义。“www.theregister.co.uk”的根域是什么？使用默认域的网络怎么样？“devbox12”可能是一个有效的主机名。

处理此问题的一种方法是使用Public Suffix List，它尝试对真正的顶级域（例如“.com”、“.net”、“.org”）以及像 TLD 一样使用的私有域进行编目（例如“.co.uk”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

URL的一般结构：

scheme://netloc/path;parameters?query#fragment

作为TIMTOWDI 的座右铭：

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'

tldextract另一方面，通过根据公共后缀列表查找当前存在的gTLD [通用顶级域] 和 ccTLD [国家代码顶级域]，了解所有 gTLD [通用顶级域] 和 ccTLD 的外观。因此，给定一个 URL，它从它的域知道它的子域，从它的国家代码知道它的域。

干杯！:)

Answer 3

以下脚本并不完美，但可用于显示/缩短目的。如果您真的想要/需要避免任何第 3 方依赖项——尤其是远程获取和缓存一些 tld 数据，我可以建议您遵循我在项目中使用的脚本。它将域的最后两部分用于最常见的域扩展，并将最后三个部分用于其余不太为人所知的域扩展。在最坏的情况下，域将包含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 的回答中添加一点小东西。

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，我刚刚从urlparse获得了域名。

要删除子域，您首先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是一个 TLD，而在http://sub.twitter.com我们只有.comTLD 并且sub是一个子域。

所以，我们需要得到一个包含所有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

你不需要一个包，或者人们建议这样做的任何复杂性，它就像下面一样简单，并根据你的喜好进行调整。

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

这个简单的代码将从所有有效的 URL 中获取根域名。

from urllib.parse import urlparse

url = 'https://www.google.com/search?q=python'
root_url = urlparse(url).scheme + '://' + urlparse(url).hostname
print(root_url) # https://www.google.com

Answer 9

这对我的目的有用。我想我会分享它。

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