使用Python的tldextract库提取URL/TLD遇格式问题求助

你遇到的问题是因为输入的字符串并非标准URL格式，tldextract无法自动识别出其中有效的booking.com部分。可以通过预处理字符串分离有效域名的方式解决，具体步骤如下：

• 先将输入字符串按双下划线__分割，提取出前面的booking.com部分
• 再用tldextract处理这个分离出的有效域名

示例代码：

import tldextract

raw_input = 'booking.com__booking.com_content_privacy.html?label=gen173nr-1FCAEoggI46AdIM1gEaLUBiAEBmAExuAEHyAEP2AEB6AEB-AECiAIBqAIDuALVsdeSBsACAdICJDBkZWExNDc4LWZ'
# 分割字符串获取有效域名部分
valid_domain = raw_input.split('__')[0]
# 提取域名和后缀
ext_result = tldextract.extract(valid_domain)
# 拼接得到预期结果
print(f"{ext_result.domain}.{ext_result.suffix}")  # 输出: booking.com

如果你的输入字符串格式多变，还可以通过正则匹配的方式提取包含有效顶级域名（如.com）的部分，比如用正则r'([a-zA-Z0-9-]+\.com)'匹配所有含.com的域名片段，再筛选出目标值。

内容的提问来源于stack exchange，提问作者ZA09