如何使用Regex从HTML文档中提取域名？

嘿，我来帮你搞定用正则从HTML文档里提取域名的事儿！不过先给你打个预防针：用正则解析HTML其实不是最优解——毕竟HTML的结构太灵活了，标签嵌套、属性换行、特殊字符啥的分分钟让正则失效。但如果是简单场景，或者你确实得用正则，下面的方法可以试试～

HTML里的域名大多藏在<a href>、<img src>这类属性里，或者直接是文本中的完整URL。先写一个基础正则，先匹配完整URL，再提取核心域名部分。

正则表达式示例 #

https?://(?:www\.)?([a-zA-Z0-9-]+(?:\.[a-zA-Z0-9-]+)+)

正则解释： #

• https?://：匹配http://或https://协议头
• (?:www\.)?：?:表示非捕获组，这里匹配可选的www.前缀，不会把它算进我们要的域名里
• ([a-zA-Z0-9-]+(?:\.[a-zA-Z0-9-]+)+)：这是核心的捕获组，匹配多级域名（比如example.com、sub.example.co.uk）

代码示例（Python） #

import re

# 示例HTML内容
html = '''
<a href="https://www.example.com/home">首页</a>
<img src="http://blog.example.co.uk/cover.jpg">
<p>访问我们：https://another-site.org</p>
'''

# 编译正则
pattern = re.compile(r'https?://(?:www\.)?([a-zA-Z0-9-]+(?:\.[a-zA-Z0-9-]+)+)')
# 找到所有匹配项
matches = pattern.findall(html)
# 去重后输出域名
unique_domains = list(set(matches))
print(unique_domains)
# 输出: ['example.com', 'another-site.org', 'blog.example.co.uk']

如果你只想提取<a>的href或<img>的src里的域名，可以写更针对性的正则：

<(?:a|img)[^>]+(?:href|src)=["']https?://(?:www\.)?([a-zA-Z0-9-]+(?:\.[a-zA-Z0-9-]+)+)["']

这个正则会只匹配<a>和<img>标签里的绝对URL，避免提取文本中无关的URL。

再强调一次，正则真的不适合复杂HTML场景：

• 如果标签属性用单引号、或者属性值里有转义字符，正则可能匹配失败
• 相对路径（比如/about）没有域名，正则会直接忽略
• 嵌套标签、注释里的URL可能被误匹配

如果要处理复杂HTML，强烈建议用HTML解析库+URL解析工具，比如Python的BeautifulSoup和urllib.parse：

from bs4 import BeautifulSoup
from urllib.parse import urlparse

soup = BeautifulSoup(html, 'html.parser')
domains = set()

# 提取所有a标签的href域名
for link in soup.find_all('a', href=True):
    parsed_url = urlparse(link['href'])
    if parsed_url.netloc:  # 确保是绝对URL
        # 可选去掉www前缀
        clean_domain = parsed_url.netloc.replace('www.', '')
        domains.add(clean_domain)

# 提取所有img标签的src域名
for img in soup.find_all('img', src=True):
    parsed_url = urlparse(img['src'])
    if parsed_url.netloc:
        clean_domain = parsed_url.netloc.replace('www.', '')
        domains.add(clean_domain)

print(list(domains))

这个方法能处理各种奇葩HTML结构，比正则靠谱100倍！

内容的提问来源于stack exchange，提问作者Reinstecker