Python，提取主机名的特殊情况？

Question

我见过类似的问题，但我的问题完全不同，我无法单独解决。

给定一行文本，我只想提取主机名，下面是我期望的输入-输出对的示例：

一些很酷的文本 google.ru.ts -> google.ru.ts

忽略 google.com 忽略 -> google.com

google.com/sign_in.htm -> google.com

13.59.135.97/wp-includes/fqhw5-6k88r-dgufy.view/ -> 13.59.135.97

我找到了一个正则表达式来匹配主机名，但它有一些问题：

hostname_pattern = re.compile(r'(?:https?://)?(?:www\.)?([a-zA-Z0-9.-]+\.[a-zA-Z]{2,})\b')

对于第三个示例，我在输出中得到

in.htm

（除了 google.com 之外）

对于第四个，它返回 fqhw5-6k88r-dgufy.view

我该如何解决这个问题？

Answer 1

我在正则表达式中添加了前缀

\b

，所以它看起来像这样：

hostname_pattern = re.compile(r'(?:https?://)?(?:www\.)?([a-zA-Z0-9.-]+\.[a-zA-Z]{2,})\b')

现在它不会匹配

in.html

。这解决了第三个样本。 对于第四个示例，您忘记在正则表达式中包含

0 - 9

范围和

+

符号。所以最终的正则表达式将如下所示：

r'\b(?:https?://)?(?:www\.)?([a-zA-Z0-9.-]+\.[a-zA-Z0-9.]{2,})\b'

这是我的文本代码：

inputs = [ i.split('>')[0].strip()  for i in """    Some Cool Text google.ru.ts -> google.ru.ts
    Ignore google.com Ignore -> google.com
    google.com/sign_in.htm -> google.com
    13.1234.1.321/wp-includes/fqhw5-6k88r-dgufy.view/ -> 13.59.135.97""".split('\n')]

regex = r'\b(?:https?://)?(?:www\.)?([a-zA-Z0-9.-]+\.[a-zA-Z0-9.]{2,})\b'
for i  in inputs:
    print(re.findall(regex, i))

这是输出：

['google.ru.ts']
['google.com']
['google.com']
['13.1234.1.321', 'fqhw5-6k88r-dgufy.view']

现在它仍然返回第四种情况的另一个“匹配”，但是您只需从返回的列表中取出第一个元素就可以了。