使用Python正则表达式从文本中提取域名

Question

我有以下正则表达式：

r'(?:[a-zA-Z0-9](?:[a-zA-Z0-9\-]{,61}[a-zA-Z0-9])?\.)+[a-zA-Z]{2,6}'

当我将这个应用于一个文本字符串，比如说，“this is www.website1.com and this is website2.com”，我得到：

['www.website1.com']

['website.com']

如何修改正则表达式以排除'www'，从而得到 'website1.com' 和 'website2.com'？我错过了一些非常基本的东西...

- DDS

---

可能是从文本中提取所有域名的重复问题。 - tripleee

Answer 1

尝试使用这个（感谢@SunDeep的更新）：

\s(?:www.)?(\w+.com)

解释

\s 匹配任何空白字符

(?:www.)? 非捕获组，匹配 0 次或多次的 www.

(\w+.com) 匹配任何一个或多个单词字符，后跟 .com

实际应用:

import re

s = 'this is www.website1.com and this is website2.com'

matches = re.findall(r'\s(?:www.)?(\w+.com)', s)
print(matches)

输出：

['website1.com', 'website2.com']

关于这个问题，有几点需要注意。首先，匹配所有有效的域名非常困难，因此在本例中，我选择使用\w+进行捕获，但我也可以选择类似于[a-zA-Z0-9][a-zA-Z0-9-]{1,61}[a-zA-Z0-9]\.[a-zA-Z]{2,}的内容。

关于匹配域名，下面这个答案提供了很多有用的信息： What is a regular expression which will match a valid domain name without a subdomain?

其次，我只寻找.com域名，您可以调整我的正则表达式，例如：

\s(?:www.)?(\w+.(com|org|net))

为了匹配您所寻找的任何类型的域名。

- user3483203

Answer 2

这里是一个尝试：

import re
s = "www.website1.com"
k = re.findall ( '(www.)?(.*?)$', s, re.DOTALL)[0][1]
print(k)

输出结果如下：

'website1.com'

如果它是s =“ website1.com”，则输出如下：

'website1.com'

- Vikas Periyadath