Regex（Python）计算域名中的元素

我想解析一个URL并计算其域名中的“元素”数。
例如，如果我有一个url

http://news.bbc.co.uk/foo/bar/xyzzy.html

，我对第4条（新闻、bbc、co、英国）感兴趣

我总是回避正则表达式，因为它太神秘了。我通常会通过在//和/之间拆分字符串并在其间计算点来实现这一点。这一次，我决定离开我的舒适区，大胆地尝试一些自我改进，并使用正则表达式，计算比赛组的数量

这就是我所尝试的：

pattern = r"^.*//(([^./]+\.)+)/.*$"

但这与任何东西都不匹配。我知道在某个地方有个问题，至少在处理域uk/（应该被计算在内，但是应该使用点以外的东西）的最后一部分时是这样的，但是仍然打破了匹配组模式，以便解析进入尾部

我的想法是先消费一切，直到//，包括//。这部分可能有效。然后我会开始匹配组，其中一个组是任何不是的组。或/，重复到一个点，然后消耗该点，直到所有这些组都消耗完毕。这些将是我感兴趣的比赛小组。然后消费/处理剩下的，因为我对它不再感兴趣了。这是错误的

---

或者，在不合适的地方使用正则表达式是徒劳的吗？

假设输入一致，您可以：

^[^:]+://([^/]+)

• ^[^:::+

  从开始到第一个匹配一个或多个字符

  ：

• ：//

  逐字匹配字符

• （[^/]+）

  捕获的组包含一个或多个字符，直到下一个

  /

您可以使用上面的代码获得例如

news.bbc.co.uk

，然后只需简单的

str.split（'.'）

注意：显而易见的一点，不要为此使用正则表达式，请使用适当的URL解析器库（例如

urlparse

）

示例：

In [49]: s = 'http://news.bbc.co.uk/foo/bar/xyzzy.html'

In [50]: re.search(r'^[^:]+://([^/]+)', s).group(1).split('.')
Out[50]: ['news', 'bbc', 'co', 'uk']

---

您可以尝试以下正则表达式：

import re
pattern=r'(?:\/\/)(\w+)|(?<=\.)(\w+)'

string='http://news.bbc.co.uk/foo/bar/xyzzy.html'

result=[]
match=re.finditer(pattern,string)
for i in match:
    if i.group(1)!=None:
        result.append(i.group(1))
    elif i.group(2)!=None and i.group(2)!='html':
        result.append(i.group(2))

print(result)

但最酷的是你可以用一句话来做这件事：

import tldextract

result=tldextract.extract("http://news.bbc.co.uk/foo/bar/xyzzy.html")

print([i.split('.') for i in result])

输出：

['news', 'bbc', 'co', 'uk']

[['news'], ['bbc'], ['co', 'uk']]

---

嗯，是的，是……哦，好吧。。那我的自我提升就来了。

len（s.split（'/'）[2]。split（'.'）

你的正则表达式失败了，因为它要求最后一个

uk

也以

结尾。因为你对之前和之后发生的事情不感兴趣，锚是不必要的；您可以使用

（？但是你真的应该使用而不是正则表达式。urlparse绝对是正确的方法。我知道我这样做不是最好的方法，只是试图学习正则表达式以及它们能做什么和不能做什么。@Hannu这是不可能的-至少不能用一个正则表达式。你总是必须先提取域名，然后才可以t点的数量。如果你一定要使用正则表达式，你将需要两个正则表达式：一个用于提取，一个用于计数。@Hannu正则表达式一开始可能看起来很神秘，但一旦你仔细研究了它，它就简单且非常有趣。在HTTP中使用正则表达式完全解析
/
和
//code>之间的内容并非不可能或者HTTPS URL，但有几个复杂性使得正则表达式不是特别合适。您需要处理
http://username:password@subdomain.domain.example.net:80/
和
http://12.45.67.89/
etc当然
urlparse
已经做得很好了（通常没有regex）。