我有来自各种网站的网址的大数据帧。我想检查它相对于哪个网站。定义网站的特征是从额外信息中清除其根 URL(例如，对于http://www.agpu.net/根 url 将被agpu.net
因此，主要目标是找到给定的 url 与哪个根相关。例如，http://www.mordgpi.ru/应该获取标记mordgpi.ru而不是gpi.ru。此外，这应该不仅适用于根网页 URL，例如https://www.mordgpi.ru/our-life/news/46/55116/
网址的数据集如下所示：
url
---------------------
http://pnu.edu.ru/ru/
https://www.dvfu.ru/
http://donstu.ru/
http://www.elsu.ru/
http://ivgpu.com/
http://ivanovo.ac.ru/
http://www.isuct.ru/
对于根：
root
-------------
pnu.edu.ru/ru
dvfu.ru
donstu.ru
elsu.ru
ivgpu.com
ivanovo.ac.ru
isuct.ru
对于给定的网址，我试图通过以下方式获取root，但这效果不佳：
root = roots['root'].str.lower().apply(lambda x: x in url).to_frame()
root = root[root.root]
我可以用正则表达式或其他方式实现这一点吗？感谢任何帮助
您可以在 python 2.7 中使用 urlparse，也可以在 python 3+ 中使用 urllib.urlparse：
from urllib import parse
split = parse.urlsplit(url)
netloc = split.netloc
path = split.path
if netloc.startswith('www.'):
netloc = netloc[4:]
print(netloc + path.rstrip('/'))
通过所有测试用例。
我使用 urllib 的原因是因为当您有长查询字符串和高级 url 格式(包括端口等(时，正则表达式可能会很丑陋。我让urllib照顾它，以便您可以轻松获取netloc和path.