将 www.test.com 清理到 test.com [重复]答案

【问题标题】：Clean www.test.com to test.com [duplicate]将 www.test.com 清理到 test.com [重复]
【发布时间】：2020-04-22 19:50:15
【问题描述】：

我目前使用以下方法清理网站。

http://www.example.com > example.com
https://www.example.com > example.com
http://example.com > example.com

然而，

www.example.com > www.example.com

如何确保 www.example.com 变成 example.com

import re

website = "http://www.example.com"
def clean_website(website):
    """
    Transform http://google.com, https://google.com, http://www.google.com and
    https:www.//google.com into google.com.
    """
    url = re.compile(r"https?://(www\.)?")
    return url.sub("", website).strip().strip("/")

clean_website(website)

【问题讨论】：

正则表达式第二个斜线之后的所有内容！
请使用 example.com 或 *.example 作为示例，因为它们是为 purposes 保留的。
我改变了@Wouterr

标签： python regex

【解决方案1】：

试试这个：

import re

website = "http://www.test.com"
def clean_website(website):
    r = "^http.*\/\w*.?"
    x = re.findall(r,website)
    for i in x :
        website = website.replace(i,'')
    return(website)

【讨论】：

这不会删除其他子域。
现在它包括子域匹配:)
仍然不支持 sftp、ports 或任何在后缀后包含路径的 url，副本提供了更强大的解决方案
感谢 Negar37 的帮助。我现在和tldextract 一起去了。用最少的代码解决了这个问题。

【解决方案2】：

您可以按如下方式使用自定义 Regex 模式：

import re

website = "http://www.test.com"

url = re.compile(r'[a-zA-Z0-9]+.com') # custom Regex pattern

print(url.findall(website))

描述中所有示例的输出：

['test.com']

如果需要，请随意在第 3 行的 [] 中添加任何特殊字符。

【讨论】：

[a-zA-Z0-9]+ 域名有点短

【解决方案3】：

你可以使用 tldextract

import tldextract

def clean_website(url):
    # Example of ext if input is http://www.test.com
    ## ExtractResult(subdomain='www', domain='test', suffix='com')

    ext = tldextract.extract(url)

    return '.'.join(ext[1:]) # domain + suffix

【讨论】：