问题描述
我有数百个 URL,我想将它们规范化为域格式 -> domain.com、domain.ie、domain.de、domain.es 等。但是我正在努力涵盖在'/' 符号。
我假设我需要添加另一个 if 条件并找到 URL 字符串中第一个斜杠 (/) 的位置,然后用类似于 u.rsplit('/',1)[-1]
的内容分割?
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))
目前返回:
['foo.com','foo.com','foo.com/ca/example-test']
预期结果:
['foo.com','foo.com']
有人可以帮我吗?提前谢谢你
解决方法
你可以在 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。
,如果您不想使用 urllib,它可以为您做到这一点,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