如何使用Python正则表达式将URL拆分为协议、域名主体与顶级域名三部分

我来帮你搞定这个URL拆分的难题！你的正则之所以没得到预期结果，主要是分组逻辑和匹配规则出了几个小问题，咱们一步步梳理清楚。

原正则的问题分析 #

你写的pattern = "((http[s]?://)((.+).))"存在以下几个关键问题：

• 最后的.没有转义：它会匹配任意字符，而不是你想要的字面意义上的点
• .+的贪婪匹配：会把协议之后的几乎所有内容都吃掉，导致无法精准拆分域名主体和顶级域名
• 分组嵌套混乱：返回的groups()里包含了多余的整体匹配内容，而非你需要的三个目标部分

正确的解决方案 #

我们需要精准匹配出协议、域名主体（最后一个点之前的部分）、顶级域名（最后一个点到斜杠之前的部分），可以使用这个优化后的正则：

pattern = r"^(https?://)(.+)\.([^/.]+)(?:/)?$"

正则各部分解释： #

• ^(https?://)：匹配开头的HTTP/HTTPS协议，s?表示s是可选的，^确保从字符串起始位置匹配
• (.+)：贪婪匹配到最后一个点之前的所有内容，正好对应你需要的www.amazon或amazon这类域名主体
• \.：转义后的点，匹配字面意义上的域名分隔点
• ([^/.]+)：匹配顶级域名，[^/.]表示排除斜杠和点，确保只取到域名的最后一部分（比如com）
• (?:/)?：可选的结尾斜杠，(?:...)是不捕获分组，不会出现在最终的匹配结果里

测试代码示例 #

import re

# 测试第一个URL
match1 = re.search(r"^(https?://)(.+)\.([^/.]+)(?:/)?$", 'http://www.ycombinator.com/')
if match1:
    print(match1.groups())  # 输出: ('http://', 'www.ycombinator', 'com')

# 测试第二个URL
match2 = re.search(r"^(https?://)(.+)\.([^/.]+)(?:/)?$", 'https://amazon.com/')
if match2:
    print(match2.groups())  # 输出: ('https://', 'amazon', 'com')

补充说明 #

如果需要处理更复杂的多级域名（比如blog.tech.example.co.uk），这个正则会把blog.tech.example.co作为域名主体、uk作为顶级域名。如果你的需求是识别类似co.uk这种组合顶级域名，那需要额外的规则，但根据你给出的示例场景，当前正则已经完全满足需求。

内容的提问来源于stack exchange，提问作者DJ-coding