如何标准化 URL 并忽略斜杠后的任何内容？

Question

我有数百个 URL 想要规范化为域格式 -> domain.com、domain.ie、domain.de、domain.es 等。但是，我正在努力涵盖“/”符号后有文本的场景。

我假设我需要添加另一个 if 条件并找到我的 URL 字符串中的第一个斜杠 (/) 在哪里，然后用类似于 u.rsplit('/', 1)[-1]?

的内容拆分

到目前为止我的代码：

from w3lib.url import url_query_cleaner
from url_normalize import url_normalize

urls = ['foo.com','www.foo.com/','foo.com/us','foo.com/ca/example-test/']


def canonical_url(u):
    u = url_normalize(u)
    u = url_query_cleaner(u,parameterlist = ['utm_source','utm_medium','utm_campaign','utm_term','utm_content'],remove=True)
    if u.startswith("http://"):
        u = u[7:]
    if u.startswith("https://"):
        u = u[8:]
    if u.startswith("www."):
        u = u[4:]
    if u.endswith("/"):
        u = u[:-1]
    return u

list(map(canonical_url,urls))

目前这个returns:

['foo.com', 'foo.com', 'foo.com/us', 'foo.com/ca/example-test']

预期结果：

['foo.com', 'foo.com', 'foo.com', 'foo.com']

有人可以帮我解决这个问题吗？提前谢谢你

Answer 1

您可以在 python

中使用 URLlib 模块

from urllib3.util import parse_url

urls = ['foo.com','www.foo.com/','foo.com/us','foo.com/ca/example-test/']
for url in urls:
   parsed_url = parse_url(url)
   host = parsed_url.host if not parsed_url.host.startswith('www.') else parsed_url.host.lstrip('www.')

输出将如您所愿。

Answer 2

如果您不想使用 urllib（它会为您完成），您可以使用 split。

def canonical_url(u):
    u = url_normalize(u)
    u = url_query_cleaner(u,parameterlist = ['utm_source','utm_medium','utm_campaign','utm_term','utm_content'],remove=True)
    u = u.lstrip("http://")
    u = u.lstrip("https://")
    u = u.lstrip("www.")
    u = u.split('/')[0]  # get before first slash
    return u

如何标准化 URL 并忽略斜杠后的任何内容？

How to normalize URL and disregard anything after the slash?

python

split

normalize