我是python新手，我在研究假新闻检测算法，我在从url中提取站点名称时遇到问题

Question

text = 'https://www.nytimes.com/2017/10/09/us/politics/corkers-blast-at-trump-has-other-republicans-nodding-in-agreement.html?rref=collection%2Fsectioncollection%2Fpolitics\r\n'

test = re.findall(r"^http* com$",text)

结果:

test = [ ]

我期望的输出如下所示：

www.nytimes.com

Answer 1

这将匹配http或https以及任何类型的域（.gov.us、.com.de、.edu…）

test = re.findall(r"^http.*\:\/\/(.*?)\/",text)

^http=从http开始

"^http.*=将匹配http或https

\:\/\/=escape://

(.*?)=匹配组a.k.a您想要的内容（没有?将匹配到最后一个/）

\/=第一次出现“/”

Answer 2

你的正则表达式模式是错误的。模式中不应该有任何空格，用.*替换*，并避免最后用$锚定正则表达式。试试这个

>>> re.findall(r"^http.*?com", text)
['https://www.nytimes.com']

Answer 3

您也可以尝试以下方法：

test = re.findall(r"www.+com",text)

输出：

['www.nytimes.com']