想从URL字符串中准确提取完整域名，最稳妥的办法不是自己写正则去匹配，而是先调用编程语言自带的URL解析库（比如Python的urllib.parse）把URL拆解成标准结构，再对netloc部分做最小化处理。 如果你直接对字符串做分割或正则匹配，很容易在端口、子域名、国际化域名这些边界场景上翻车，下面这套方法结合了代码实现和常见坑位排查，拿来就能用。
为什么直接截取URL字符串提取域名会出错？先看清URL结构
一个完整的URL长这样：https://user:pass@shop.example.com.cn:8080/path/page.html?id=1#top，如果你用后面的内容直接切字符串，拿到的会是user:pass@shop.example.com.cn:8080，这里面混了用户信息和端口，显然不是我们想要的域名。
URL标准结构里,域名只存在于netloc（网络位置）这个段落中，而且它是从之后开始，到第一个（端口分隔符）或（路径开始）之前结束，很多人提取出错，就是没搞清楚这个边界。
协议和//不是域名的起点
只是分隔符。https://和ftp://后面跟的内容不全是域名，还有可能是用户信息，正确的做法是先去掉协议部分，但更靠谱的是让解析库来干这件事，比如Python里urllib.parse.urlparse会自动把user:pass@shop.example.com.cn:8080拆分成username、password、hostname、port，其中hostname字段已经是纯净的shop.example.com.cn了。
端口号是域名提取最常见的杀手
当URL里带着8080这类端口号时，直接按分割会得到shop.example.com.cn:8080，如果后续代码需要拿这个字符串去查DNS或做白名单校验，就会失败，解析库返回的hostname字段会自动剔除端口，这才是你该用的那个值。
用户信息字段容易被遗漏
有些内部系统的URL会写成http://admin:123456@internal.example.com/report，如果只按或切分，你甚至会把admin当成域名的一部分，正确流程是先找最后一个，取它后面的内容，再做端口剥离。
实操：Python标准库与正则表达式提取域名的差异
用Python写爬虫或数据处理脚本时,提取域名这件事有两条路：一条是走标准库，一条是自己写正则，两者各有适用场景，但标准库在准确率上完胜。
用urllib.parse三步拿到干净域名
第一步,解析URL获取hostname，这是核心操作。
from urllib.parse import urlparse
def get_domain_from_url(url):
parsed = urlparse(url)
hostname = parsed.hostname # 已经去掉用户信息和端口
return hostname
第二步,处理缺失协议的情况，像www.example.com/path这种字符串，urlparse会把它当成路径而不是域名，因为它不认没有的输入，你需要先强制加上协议。
if '://' not in url:
url = '//' + url
parsed = urlparse(url)
这里有个细节：加上后，parsed.hostname能正确得到www.example.com，行业共识认为，这种补齐协议的方法比用正则判断前缀更稳定。
第三步,把hostname转成小写，DNS域名大小写不敏感，但下游做字符串比对时最好统一小写。
hostname = parsed.hostname.lower()
正则表达式提取域名为什么容易错
正则适合在完全不可控的文本中粗略捞域名,但准确性有限，比如一个常见正则：[a-zA-Z0-9.-]+.[a-zA-Z]{2,}，它能匹配example.com，但也会把example.co.uk的后缀拆成co.uk或example.co，导致拿到的不是完整注册域，更讽刺的是，它还能从not-a-domain.fake这样的文本中匹配出not-a-domain.fake，因为正则没有能力验证这个域名是否真实存在。
所以正则只适用于提前过滤候选文本,不适用于对精确度有要求的正式场景，如果你只是想从一篇新闻里找出提到哪些网站，正则够用；但如果你是按域名做访问控制或数据去重，一定要用解析库。
前端场景下从URL字符串提取域名，浏览器API怎么用
在JavaScript里,不需要自己写字符串切割，浏览器自带的
URL对象就是最佳工具。
用new URL()一行搞定
const url = 'https://user:pass@shop.example.com.cn:8080/path?x=1'; const parsed = new URL(url); const host = parsed.hostname; // "shop.example.com.cn"
这个API会自动处理所有标准URL组成部分,注意老版本浏览器对不带协议的URL会报错，稳妥做法是先检测/^https?:///i，不匹配就补一个http://。
用a标签作为兜底方案
在非标准环境（比如某些低版本WebView）里，可以创建<a>元素，设置href属性，再读取hostname，这是老前端们常用的偏方，它依赖浏览器的链接解析规则，比new URL兼容性好，但同样只支持标准格式。
遇到国际化域名和IP地址时，提取域名信息要额外处理什么
这属于边界情况,但真实业务里很常见，中文域名、德文域名、带xn--前缀的punycode域名，处理方式完全不一样。
国际化域名统一转punycode
浏览器地址栏显示的是中文,但URL实际传输的是xn--开头的ASCII编码，提取时，如果你拿到的字符串是https://例子.测试，最好先统一转成punycode再提取，避免下游程序不支持UTF-8域名报错，Python里用idna库转换，JavaScript里用URL.domainToASCII()（Node环境）。
IP地址和域名要区分对待
http://192.168.1.1:8000/admin这种URL，解析库返回的hostname是168.1.1，它严格来说不是域名，但很多场景下需要把它当域名字段处理，在提取逻辑里加一个IPv4/IPv6检测，走不同分支，业内专家指出，混淆这两者会在证书校验和日志分析时引入奇怪的bug。
多级后缀问题
example.com.cn的注册域是example.com.cn，不是example.cn，因为.com.cn是二级后缀，要准确提取这类“带国家后缀的二级域名”，你需要一个公共后缀列表（如Public Suffix List，简称PSL），Python的
tldextract库可以加载PSL，用它来拆分子域和注册域。
import tldextract
ext = tldextract.extract('https://shop.example.com.cn')
print(ext.registered_domain) # example.com.cn
批量提取与性能优化：处理大量URL时怎么保持准确
日志分析或爬虫任务经常要处理几百万条URL,逐条解析没问题，但要注意两个性能点。
先做简单过滤再走标准库
在调用urlparse之前，可以先剔除明显不是URL的字符串：是否包含, 长度是否在合理范围，这样可以减少无谓的解析调用。
用缓存避免重复解析
同一个域名重复出现的概率很高,用字典把url的解析结果缓存起来，下次直接查缓存，统计下来，大多数场景中重复率超过一半，这一步能省下不少CPU。
并发解析时的坑
多线程时,urlparse是线程安全的，放心用，但如果你用了tldextract，它需要首次加载PSL数据，注意预热，避免高并发时数据没load完导致报错。
常见问题：从URL字符串提取域名的疑问与解决方案
Q1: 为什么我用正则表达式提取URL域名时，总是把端口号或路径也带出来？
因为正则表达式关注的只是“看起来像域名”的字符序列，它不理解URL的语法结构，要解决这个问题，请用urlparse或new URL()直接取hostname字段，它会自动去掉端口、路径和用户信息。
Q2: 如何从URL中提取去掉子域名后的主域名？
不能靠简单的取字符串末尾两部分,对于shop.example.co.uk，取最后两部分得到的是co.uk，这不是域名，应该使用tldextract或类似基于公共后缀列表的库，先提取registered_domain字段，再以它为基准判断子域。
Q3: URL没有带协议前缀，提取域名时怎么处理？
直接用urlparse会把它识别成路径，正确做法是先检查是否存在，不存在时在前面补一个，再重新调用解析函数，补全协议后的hostname才是你想要的域名。