如何根据 url 准确取出 domain?

[bigzhu]

看似很简单的问题, 但是单用程序貌似搞不定哦.

比如有个 url 是这样 https://www.google.com.sg/?gfe_rd=cr&ei=DhtXWc6FJ4Pj8wfH6pjQBw#newwindow=1&q=bigzhu

我要取出 domain, 也就是 google.com.sg, 那么用 python 很好搞定

from urlparse import urlparse
url = urlparse(url)
hostname = url.hostname

hostname 就是 www.google.com.sg

但是前缀 www 的剔除就没法准确的实现了, 我只要 google.com.sg

前缀什么样的都有, 可能是 https://mail.google.com.sg/mail/u/0/#inbox

把第一个 . 前的内容直接剔除? 那如果输入的是 google.com.sg 那就出问题了.

小工具 pp 里要用到, 各位有什么优雅完美的办法么?

[hx1997]

从后往前扫，到第一个不是顶级域的域名为止？

[msg7086]

domain 就应该是 www.google.com.sg。
我就问你，www.sb 你指望返回什么结果？
再问你，acm.pku.edu.ax 你指望返回什么结果？

[hx1997]

啊，上面的术语不是很准确。我的意思就是看看每个点后面是不是有效的域名后缀，比如 .com 和 .sg 都是，但 .google 就不是。

[msg7086]

@hx1997 .google 是完全有效的域名后缀。https://domains.google/

[neilp]

@hx1997
`.google` 其实也是: https://www.registry.google/

[neilp]

比较靠谱的做法 是 扫描 这个 列表: https://publicsuffix.org/

[msg7086]

另外我看了你的源码。说真的，为什么要重新发明一次轮子呢。
安全性什么的我先不提，digest 出来的密码只会用到 0-9a-f，遇上要求字母+数字+符号复杂度的密码（比如 Windows Server 登录密码），直接就过不去了……

[nfroot]

首先呢，你去收集到所有域名后缀，然后从后面往前面查询

[bigzhu]

@msg7086 也就登录下网站，够用了。登录 Server 的不要用这个

[xfspace]

从第一个双斜杠截到第一个单斜杠

[momocraft]

"单用程序貌似搞不定" 这个直觉是对的, 这个问题确实需要额外知识如 public suffix list

[imn1]

那么，
www.net.cn
你期望结果是什么？

[yhxx]

从后往前也不行
比如 www.asdf.com?xxxx=qwerty.cn

[dynos01]

还有 http://sb.
然后还有各类免费二级域名，你抓个看看？

[hx1997]

@neilp 这。。。现在的域名后缀真是够了

[dsg001]

学会搜索 关键词“ python extract domain ”

https://github.com/john-kurkowski/tldextract

>>> import tldextract

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

>>> tldextract.extract('http://forums.bbc.co.uk/') # United Kingdom
ExtractResult(subdomain='forums', domain='bbc', suffix='co.uk')

>>> tldextract.extract('http://www.worldbank.org.kg/') # Kyrgyzstan
ExtractResult(subdomain='www', domain='worldbank', suffix='org.kg')

[bigzhu]

@dsg001 不需要你来教我搜索
你说这个，我早就看过了。
就是想讨论下，不关联匹配库，是否有办法。

[nVic]

真的是服了，还是拉黑比较好。

[xyjtou]

现在的域名后缀这么乱，取主域名越来越难匹配了

[flyz]

@bigzhu 年轻人，虚心点，虽然别人的回答没有帮助，但是你不应该这个语气，回答问题是义务，别人没有欠你钱