web-dev-qa-db-ja.com

http：//またはwwwを検索します。ドメインから削除します。 domain.comを離れる

私はPythonにまったく慣れていません。 URLのファイルを解析して、ドメイン名のみを残そうとしています。

ログファイルのURLの一部はhttp：//で始まり、一部はwwwで始まります。一部は両方で始まります。

これは、http：//の部分を取り除く私のコードの部分です。 httpとwwwの両方を探すために何を追加する必要がありますか。両方を削除しますか？

line = re.findall(r'(https?://\S+)', line)

現在、コードを実行すると、http：//のみが削除されます。コードを次のように変更した場合：

line = re.findall(r'(https?://www.\S+)', line)

両方で始まるドメインのみが影響を受けます。より条件付きのコードが必要です。 TIA

編集...これが私の完全なコードです...

import re
import sys
from urlparse import urlparse

f = open(sys.argv[1], "r")

for line in f.readlines():
 line = re.findall(r'(https?://\S+)', line)
 if line:
  parsed=urlparse(line[0])
  print parsed.hostname
f.close()

元の投稿で正規表現と間違えました。それは確かにurlparseを使用しています。

pythonurlurlparse
12
Paul Tricklebank

ここでは正規表現なしで実行できます。

_with open("file_path","r") as f:
    lines = f.read()
    lines = lines.replace("http://","")
    lines = lines.replace("www.", "") # May replace some false positives ('www.com')
    urls = [url.split('/')[0] for url in lines.split()]
    print '\n'.join(urls)
_

ファイル入力の例：

_http://foo.com/index.html
http://www.foobar.com
www.bar.com/?q=res
www.foobar.com
_

出力：

_foo.com
foobar.com
bar.com
foobar.com
_

編集：

Foob​​arwww.comのようなトリッキーなURLが存在する可能性があり、上記のアプローチではwwwが削除されます。その後、正規表現の使用に戻す必要があります。

行lines = lines.replace("www.", "")をlines = re.sub(r'(www.)(?!com)',r'',lines)に置き換えます。もちろん、一致しないパターンには、考えられるすべてのTLDを使用する必要があります。

8
sidi

この特定の状況ではやり過ぎかもしれませんが、私は一般的に urlparse.urlsplit （Python 2）または urllib.parse.urlsplit （Python 3）。

from urllib.parse import urlsplit  # Python 3
from urlparse import urlsplit  # Python 2
import re

url = 'www.python.org'

# URLs must have a scheme
# www.python.org is an invalid URL
# http://www.python.org is valid

if not re.match(r'http(s?)\:', url):
    url = 'http://' + url

# url is now 'http://www.python.org'

parsed = urlsplit(url)

# parsed.scheme is 'http'
# parsed.netloc is 'www.python.org'
# parsed.path is None, since (strictly speaking) the path was not defined

Host = parsed.netloc  # www.python.org

# Removing www.
# This is a bad idea, because www.python.org could 
# resolve to something different than python.org

if Host.startswith('www.'):
    Host = Host[4:]
18
Markus Unterwaditzer

私は同じ問題に遭遇しました。これは、正規表現に基づくソリューションです。

>>> import re
>>> rec = re.compile(r"https?://(www\.)?")

>>> rec.sub('', 'https://domain.com/bla/').strip().strip('/')
'domain.com/bla'

>>> rec.sub('', 'https://domain.com/bla/    ').strip().strip('/')
'domain.com/bla'

>>> rec.sub('', 'http://domain.com/bla/    ').strip().strip('/')
'domain.com/bla'

>>> rec.sub('', 'http://www.domain.com/bla/    ').strip().strip('/')
'domain.com/bla'
5
thet

rlparse library をチェックしてください。これにより、これらのことが自動的に実行されます。

>>> urlparse.urlsplit('http://www.google.com.au/q?test')
SplitResult(scheme='http', netloc='www.google.com.au', path='/q', query='test', fragment='')
4
Tom

rlparse を使用できます。また、ソリューションは、ドメイン名の前にある「www」以外のものを削除するための一般的なものである必要があります（つまり、server1.domain.comのようなケースを処理します）。以下は、うまくいくはずの簡単な試みです。

from urlparse import urlparse

url = 'http://www.muneeb.org/files/alan_turing_thesis.jpg'

o = urlparse(url)

domain = o.hostname

temp = domain.rsplit('.')

if(len(temp) == 3):
    domain = temp[1] + '.' + temp[2]

print domain
1
Muneeb Ali

@Muneeb ALiが解決策に最も近いと思いますが、frontdomain.domain.co.uk ...のような場合に問題が発生します。

私は考えます：

for i in range(1,len(temp)-1):
    domain = temp[i]+"."
domain = domain + "." + temp[-1]

これを行うためのより良い方法はありますか？

0
Claudiu