Python 使用URLSPILT从URL中仅获取域名

我有一个包含不同形式URL的数据集（例如

https://stackoverflow.com, https://www.stackoverflow.com，stackoverflow.com

），我只需要像

stackoverflow

这样的域名

我使用了

urllib

中的

parse.urlspit（url）

，但在我的例子中效果不佳

我怎样才能得到域名

编辑：

我的代码：

def normalization (df):
  df['after_urlsplit'] = df["httpx"].map(lambda x: parse.urlsplit(x))
  return df

normalization(df_sample)

输出：

            httpx                       after_urlsplit
0   https://stackoverflow.com/       (https, stackoverflow.com, /, , )
1   https://www.stackoverflow.com/   (https, www.stackoverflow.com, /, , )
2   www.stackoverflow.com/           (, , www.stackoverflow.com/, , )
3   stackoverflow.com/               (, , stackoverflow.com/, , )

新答案，也适用于URL和主机名 要处理没有协议定义的实例（例如

example.com

），最好使用正则表达式：

重新导入
URL=['www.stackoverflow.com'，
"stackoverflow.com",，
'https://stackoverflow.com',
'https://www.stackoverflow.com/',
“www.stackoverflow.com”，
"stackoverflow.com",，
'https://subdomain.stackoverflow.com/']
对于url中的url：
host_name=re.search（“^（？：.*://）？（.*）$”，url）。组（1）。拆分（'.'）[-2]
打印（主机名）

这将在所有情况下打印

stackoverflow

旧答案，仅适用于URL 您可以使用urlspit返回的

netloc

值，另外还可以进行一些额外的裁剪，以获得所需的域（部分）：

从urllib.parse导入urlspilt
m=URLSPILT（'http://subdomain.example.com/some/extra/things')
打印（m.netloc.split（'.'）[-2]）

这将打印

示例

---

（但是，在

http://localhost/some/path/to/file.txt

）

处理此类问题的最佳方法是使用。

您可以使用正则表达式（regex）执行此任务

import re

URL = "https://www.test.com"
result = re.search("https?:\/\/(www.)?([\w\.\_]+)", URL)
print(result.group(2))

# output: test.com

---

urlspilt

解析器遵循RFC1808，RFC1808指出，如果方案不存在且URL不以斜杠开头，则它是一个

rel_路径，并且没有净位置
stackoverflow.com
单独将不会被解释为主机名，而是被解释为相对路径。浏览器中的链接工作原理相同，只是地址栏更具容错性。如果域名前只有
www.
，它就不起作用了，例如
www.stackoverflow.com
。另一方面，
www.example.com
只是一个路径，而不是URL。编辑了我的原始答案，添加了一个regex版本来处理主机名/路径和URL。如果在某些示例中我只有
www
而不是
http://www.
在这一点上，我们可以使用
from urllib import parse url=>https://stackoverflow.com/“parsed_url=parse.urlspit（url）解析了_url.netloc
，然后按“.”拆分，但是如果我没有netloc部分，我无法拆分，为什么不使用正则表达式呢？您可以使用：result.group（1）+result.group（2）