Python urlparse——提取没有子域的域名

Question

需要一种使用 Python urlparse 从 url 中提取不带子域的域名的方法。

例如，我想从 "http://www.google.com" 之类的完整网址中提取 "google.com"。

urlparse 似乎与我最接近的是 netloc 属性，但它包括子域，在本例中为 www.google。 com.

我知道可以编写一些自定义字符串操作来将 www.google.com 转换为 google.com，但我想避免在此任务中手动进行字符串转换或正则表达式。 (原因是我对 url 形成规则不够熟悉，因此我有信心可以考虑编写自定义解析函数所需的每个边缘情况。)

或者，如果 urlparse 不能满足我的需求，有没有人知道其他 Python url 解析库可以做到吗？

Answer 1

您可能想查看 tldextract ，一个专为做这种事情而设计的库。

它使用公共(public)后缀列表尝试根据已知 gTLD 进行适当的拆分，但请注意，这只是一个蛮力列表，没有什么特别之处，因此它可能会过时(尽管希望它经过精心策划不)。

>>> import tldextract
>>> tldextract.extract('http://forums.news.cnn.com/')
ExtractResult(subdomain='forums.news', domain='cnn', suffix='com')

所以在你的情况下:

>>> extracted = tldextract.extract('http://www.google.com')
>>> "{}.{}".format(extracted.domain, extracted.suffix)
"google.com"