Obtener protocolo + nombre de host de URL

En mi aplicación Django, necesito obtener el nombre de host del referente request.META.get('HTTP_REFERER')junto con su protocolo para que de URL como:

• https://docs.google.com/spreadsheet/ccc?key=blah-blah-blah-blah#gid=1
• /programming/1234567/blah-blah-blah-blah
• http://www.example.com
• https://www.other-domain.com/whatever/blah/blah/?v1=0&v2=blah+blah ...

Debería obtener:

• https://docs.google.com/
• https://stackoverflow.com/
• http://www.example.com
• https://www.other-domain.com/

Revisé otras preguntas relacionadas y encontré sobre urlparse, pero eso no funcionó ya que

>>> urlparse(request.META.get('HTTP_REFERER')).hostname
'docs.google.com'

Debería poder hacerlo con urlparse(docs: python2 , python3 ):

from urllib.parse import urlparse
# from urlparse import urlparse  # Python 2
parsed_uri = urlparse('http://stackoverflow.com/questions/1234567/blah-blah-blah-blah' )
result = '{uri.scheme}://{uri.netloc}/'.format(uri=parsed_uri)
print(result)

# gives
'http://stackoverflow.com/'

https://github.com/john-kurkowski/tldextract

Esta es una versión más detallada de urlparse. Detecta dominios y subdominios por ti.

De su documentación:

>>> import tldextract
>>> tldextract.extract('http://forums.news.cnn.com/')
ExtractResult(subdomain='forums.news', domain='cnn', suffix='com')
>>> tldextract.extract('http://forums.bbc.co.uk/') # United Kingdom
ExtractResult(subdomain='forums', domain='bbc', suffix='co.uk')
>>> tldextract.extract('http://www.worldbank.org.kg/') # Kyrgyzstan
ExtractResult(subdomain='www', domain='worldbank', suffix='org.kg')

ExtractResult es una tupla nombrada, por lo que es fácil acceder a las partes que desea.

>>> ext = tldextract.extract('http://forums.bbc.co.uk')
>>> ext.domain
'bbc'
>>> '.'.join(ext[:2]) # rejoin subdomain and domain
'forums.bbc'

Python3 usando urlsplit :

from urllib.parse import urlsplit
url = "http://stackoverflow.com/questions/9626535/get-domain-name-from-url"
base_url = "{0.scheme}://{0.netloc}/".format(urlsplit(url))
print(base_url)
# http://stackoverflow.com/

Operaciones de cadena pura :):

>>> url = "http://stackoverflow.com/questions/9626535/get-domain-name-from-url"
>>> url.split("//")[-1].split("/")[0].split('?')[0]
'stackoverflow.com'
>>> url = "stackoverflow.com/questions/9626535/get-domain-name-from-url"
>>> url.split("//")[-1].split("/")[0].split('?')[0]
'stackoverflow.com'
>>> url = "http://foo.bar?haha/whatever"
>>> url.split("//")[-1].split("/")[0].split('?')[0]
'foo.bar'

Eso es todo amigos.

>>> import urlparse
>>> url = 'http://stackoverflow.com/questions/1234567/blah-blah-blah-blah'
>>> urlparse.urljoin(url, '/')
'http://stackoverflow.com/'

si crees que tu url es válida, esto funcionará todo el tiempo

domain = "http://google.com".split("://")[1].split("/")[0] 

¿Hay algo malo con las operaciones de cadena pura:

url = 'http://stackoverflow.com/questions/9626535/get-domain-name-from-url'
parts = url.split('//', 1)
print parts[0]+'//'+parts[1].split('/', 1)[0]
>>> http://stackoverflow.com

Si prefiere que se agregue una barra inclinada final, extienda este script un poco así:

parts = url.split('//', 1)
base = parts[0]+'//'+parts[1].split('/', 1)[0]
print base + (len(url) > len(base) and url[len(base)]=='/'and'/' or '')

Eso probablemente se puede optimizar un poco ...

Aquí hay una versión ligeramente mejorada:

urls = [
    "http://stackoverflow.com:8080/some/folder?test=/questions/9626535/get-domain-name-from-url",
    "Stackoverflow.com:8080/some/folder?test=/questions/9626535/get-domain-name-from-url",
    "http://stackoverflow.com/some/folder?test=/questions/9626535/get-domain-name-from-url",
    "https://StackOverflow.com:8080?test=/questions/9626535/get-domain-name-from-url",
    "stackoverflow.com?test=questions&v=get-domain-name-from-url"]
for url in urls:
    spltAr = url.split("://");
    i = (0,1)[len(spltAr)>1];
    dm = spltAr[i].split("?")[0].split('/')[0].split(':')[0].lower();
    print dm

Salida

stackoverflow.com
stackoverflow.com
stackoverflow.com
stackoverflow.com
stackoverflow.com

Fiddle: https://pyfiddle.io/fiddle/23e4976e-88d2-4757-993e-532aa41b7bf0/?i=true

Esto es un poco obtuso, pero se usa urlparseen ambas direcciones:

import urlparse
def uri2schemehostname(uri):
    urlparse.urlunparse(urlparse.urlparse(uri)[:2] + ("",) * 4)

ese ("",) * 4bit extraño se debe a que urlparse espera una secuencia de exactamente len(urlparse.ParseResult._fields) = 6

Sé que es una vieja pregunta, pero también la encontré hoy. Resuelto esto con una frase:

import re
result = re.sub(r'(.*://)?([^/?]+).*', '\g<1>\g<2>', url)

La función de biblioteca estándar urllib.parse.urlsplit () es todo lo que necesita. Aquí hay un ejemplo para Python3:

>>> import urllib.parse
>>> o = urllib.parse.urlsplit('https://user:pass@www.example.com:8080/dir/page.html?q1=test&q2=a2#anchor1')
>>> o.scheme
'https'
>>> o.netloc
'user:pass@www.example.com:8080'
>>> o.hostname
'www.example.com'
>>> o.port
8080
>>> o.path
'/dir/page.html'
>>> o.query
'q1=test&q2=a2'
>>> o.fragment
'anchor1'
>>> o.username
'user'
>>> o.password
'pass'

Podría resolverse mediante re.search ()

import re
url = 'https://docs.google.com/spreadsheet/ccc?key=blah-blah-blah-blah#gid=1'
result = re.search(r'^http[s]*:\/\/[\w\.]*', url).group()
print(result)

#result
'https://docs.google.com'

para obtener dominio / nombre de host y origen *

url = '/programming/9626535/get-protocol-host-name-from-url'
hostname = url.split('/')[2] # stackoverflow.com
origin = '/'.join(url.split('/')[:3]) # https://stackoverflow.com

* Originse usa en XMLHttpRequestencabezados

Simplemente puede usar urljoin con la raíz relativa '/' como segundo argumento:

try:
    from urlparse import urljoin  # Python2
except ImportError:
    from urllib.parse import urljoin  # Python3


url = '/programming/9626535/get-protocol-host-name-from-url'

root_url = urljoin(url, '/')

Si contiene menos de 3 barras, entonces lo tienes y si no, entonces podemos encontrar la aparición entre ellas:

import re

link = http://forum.unisoftdev.com/something

slash_count = len(re.findall("/", link))
print slash_count # output: 3

if slash_count > 2:
   regex = r'\:\/\/(.*?)\/'
   pattern  = re.compile(regex)
   path = re.findall(pattern, url)

   print path