Python 针对不一致的url筛选提高正则表达式的准确性/简洁性

因此，对于一些lulz来说，我和一个朋友在玩弄过滤一个URL列表（100k+）的想法，只检索父域（例如“domain.com|org|等”）。唯一需要注意的是，它们在格式上并不都是好的和匹配的

因此，为了解释，有些可能是“”，有些有国家代码，如“www.domain.co.uk/urlstuff”，而另一些可能有点奇怪，更类似于“hello.in.con.consistent.urls.com/urlstuff”

所以，撇开故事不谈，我有一个有效的正则表达式：

import re

firsturl = 'www.foobar.com/fizz/buzz'
m = re.search('\w+(?=(\..{3}/|\..{2}\..{2}/))\.(.{3}|.{2}\..{2})', firsturl)

m.group(0)

返回：

foobar.com

它查找url末尾的第一个“/”，然后返回前面两个“.”分隔的字段

那么，我的问题是，堆栈配置单元中的任何人是否有任何智慧来阐述如何使用更好/更短的正则表达式，或者不依赖字符串中“/”的正向查找的正则表达式来实现这一点

---

感谢所有在这方面的帮助

您可以改为使用此正则表达式：

import re
firsturl = 'www.foobar.com/fizz/buzz'
domain = re.match("(.+?)\/", firsturl).group()

---

不过，请注意，这只在没有http://code>的情况下才有效。我确实认为regex正是实现这一点的合适工具。正则表达式是模式匹配，当您有一个已知的模式可能有多个变体时，就可以最好地使用它，如本例中所示

不过，在你解释并试图解决这个问题时，我认为你把它大大简化了。TLD比“2位国家/地区代码”和“3位”其他国家/地区代码更具特色。请参阅以了解当前可用的数百个，长度为2位及以上。此外，您可能有没有任何斜杠和域名后有多个斜杠和点的URL

下面是我的解决方案（）：

^（？：https？：/）？（？：[^/]+\）*（[^/]+\.[a-z]{2，}）

您想要的内容将在第一个匹配组中捕获

细分：

• ^（？：https？：/）？

  在开始时匹配可能的协议

• （？：[^/]+\）*

  匹配可能的多个非斜杠序列，每个序列后跟一个点

• （[^/]+\.[a-z]{2，}）

  匹配（并捕获）最后一个非斜杠序列，后跟一个点和TLD（2个以上的字母）

---

您真的需要使用

regex

？像许多问题一样，有很多解决方案。在python中，通过字符串进行迭代是很容易的，而且是python式的，字符串之间用分隔符（“.”）分隔，只需拼凑出我们需要的内容。所以，我知道这在regex之外很容易做到，但在regex的背景下，我很好奇它是否能比我现在做的更好。谢谢你，Brian，我非常感谢！它在更少的假设条件下运行，并且对不一致的字符串具有更强的抵抗能力。这真的很有帮助^^