Comment extraire un nom de domaine de premier niveau (TLD) de L'URL

voici un grand module python quelqu'un a écrit pour résoudre ce problème après avoir vu cette question: https://github.com/john-kurkowski/tldextract

le module Recherche Les TLD dans la liste de suffixe publique , gérée par Mozilla volunteers

citation:

tldextract d'un autre côté sait ce que tous les gTLD [ domaines génériques de premier niveau ] et ccTLD [ Country Code Top-Level Domains ] ressemblent à en regardant vers le haut de ceux qui vivent actuellement selon le le suffixe Public Liste . Ainsi, avec une URL, il connaît son sous-domaine à partir de son domaine, et son domaine de son code de pays.

utilisant ce fichier de TLD effectifs que quelqu'un d'autre trouvé sur le site de Mozilla:

from __future__ import with_statement
from urlparse import urlparse

# load tlds, ignore comments and empty lines:
with open("effective_tld_names.dat.txt") as tld_file:
    tlds = [line.strip() for line in tld_file if line[0] not in "/\n"]

def get_domain(url, tlds):
    url_elements = urlparse(url)[1].split('.')
    # url_elements = ["abcde","co","uk"]

    for i in range(-len(url_elements), 0):
        last_i_elements = url_elements[i:]
        #    i=-3: ["abcde","co","uk"]
        #    i=-2: ["co","uk"]
        #    i=-1: ["uk"] etc

        candidate = ".".join(last_i_elements) # abcde.co.uk, co.uk, uk
        wildcard_candidate = ".".join(["*"] + last_i_elements[1:]) # *.co.uk, *.uk, *
        exception_candidate = "!" + candidate

        # match tlds: 
        if (exception_candidate in tlds):
            return ".".join(url_elements[i:]) 
        if (candidate in tlds or wildcard_candidate in tlds):
            return ".".join(url_elements[i-1:])
            # returns "abcde.co.uk"

    raise ValueError("Domain not in global list of TLDs")

print get_domain("http://abcde.co.uk", tlds)

résultats dans:

abcde.co.uk

j'apprécierais que quelqu'un me fasse savoir quels morceaux de ce qui précède pourraient être réécrits d'une manière plus pythonique. Par exemple, il doit y avoir une meilleure façon d'itérer au-dessus de la liste last_i_elements , mais je ne pouvais pas penser à un. Je ne sais pas non plus si ValueError est la meilleure chose à élever. Des commentaires?

utilisant python tld

https://pypi.python.org/pypi/tld

Installer

pip install tld

Obtenir le nom de TLD comme une chaîne de caractères à partir de l'URL donnée

from tld import get_tld
print get_tld("http://www.google.co.uk") 

co.uk

ou sans protocole

from tld import get_tld

get_tld("www.google.co.uk", fix_protocol=True)

co.uk

Obtenir le TLD comme un objet

from tld import get_tld

res = get_tld("http://some.subdomain.google.co.uk", as_object=True)

res
# 'co.uk'

res.subdomain
# 'some.subdomain'

res.domain
# 'google'

res.tld
# 'co.uk'

res.fld
# 'google.co.uk'

res.parsed_url
# SplitResult(
#     scheme='http',
#     netloc='some.subdomain.google.co.uk',
#     path='',
#     query='',
#     fragment=''
# )

obtenir le nom de domaine de premier niveau comme chaîne de l'URL donnée

from tld import get_fld

get_fld("http://www.google.co.uk")
# 'google.co.uk'

il y a beaucoup, beaucoup de TLD. Voici la liste:

http://data.iana.org/TLD/tlds-alpha-by-domain.txt

voici une autre liste

http://en.wikipedia.org/wiki/List_of_Internet_top-level_domains

voici une autre liste

http://www.iana.org/domains/root/db /

, Voici la façon dont je le manipuler:

if not url.startswith('http'):
    url = 'http://'+url
website = urlparse.urlparse(url)[1]
domain = ('.').join(website.split('.')[-2:])
match = re.search(r'((www\.)?([A-Z0-9.-]+\.[A-Z]{2,4}))', domain, re.I)
if not match:
    sys.exit(2)
elif not match.group(0):
    sys.exit(2)

Jusqu'à ce que get_tld soit mis à jour pour tous les nouveaux, je tire le tld de l'erreur. C'est un mauvais code, mais ça marche.

def get_tld():
  try:
    return get_tld(self.content_url)
  except Exception, e:
    re_domain = re.compile("Domain ([^ ]+) didn't match any existing TLD name!");
    matchObj = re_domain.findall(str(e))
    if matchObj:
      for m in matchObj:
        return m
    raise e