最可靠方法是用urllib.parse.urlparse()提取netloc，再.split(':')[0]去端口；避免正则或字符串切片，因其无法正确处理认证信息、IPv6、IDN编码等复杂情况。
用 urllib.parse.urlparse 提取域名最可靠
直接对 URL 字符串做正则或字符串切片容易漏掉 www、端口、子路径等干扰项，也难处理 https://example.com:8080/path?x=1 这类变体。Python 标准库的 urlparse 是专为解析设计的，能稳定拆出 netloc（网络位置），它就包含核心域名和端口。
实操建议：
- 先用
urlparse解析每条 URL，取.netloc；再用.split(':')[0]去掉端口（如example.com:443→example.com） - 若需统一去掉
www.，可用.replace('www.', '', 1)，但注意别误删www2.example.com中的www2 - 对空值或非法 URL，
urlparse会返回空netloc，建议用pd.Series.str.replace配合na=False过滤，或提前用pd.notna()排除
避免用 str.extract(r'//([^/]+)') 这类正则
看似简洁，但实际踩坑多：遇到协议缺失（example.com/path）、带认证信息（https://user:pass@example.com）、IPv6 地址（[::1]:8000）时极易匹配失败或截断错误。
常见错误现象：
-
str.extract返回NaN占满整列——因为正则没覆盖所有 URL 格式 - 把
user:pass@sub.example.com提成user:pass@sub.example.com而非sub.example.com - 对
http://[::1]/api直接报错或返回空，因方括号在正则里需转义
批量处理千万级 URL 时用 apply 还是向量化？
apply 写法直观，但默认是 Python 循环，速度慢；Pandas 本身不提供原生向量化 URL 解析，所以得权衡可读性与性能。
实操建议：
- 数据量 df['url'].apply(lambda x: urlparse(x).netloc.split(':')[0] if pd.notna(x) else '') 足够清晰
- 超百万行：先用
map替代apply（底层更轻量），或预编译urlparse函数避免重复 import 开销 - 极端场景（>500 万）：考虑用
dask.dataframe分块，或改用polars+polars.StringCache加速字符串操作
注意中文域名、国际化域名（IDN）的编码问题
像 https://例子.中国 这类 URL，urlparse 默认返回 Punycode 编码的 http://xn--fsq.xn--fiqs8s，不是人眼所见的原始域名。
如果业务需要还原为可读形式：
- 用
idna.decode(urlparse(x).netloc.split(':')[0])解码（需安装idna包） - 但要注意：部分老旧系统或数据库字段不支持 UTF-8 域名存储，解码后可能引发插入失败
- 多数分析场景其实只需归一化（全部转 Punycode），此时跳过解码反而更安全、兼容性更好
真正卡住人的往往不是“怎么写”，而是没意识到 netloc 和“用户看到的域名”之间还隔着端口、认证信息、IDN 编码这三层转换——漏掉任意一层，都可能导致去重不准、统计偏差或下游系统解析失败。
Python免费学习笔记（深入）：立即使用
在学习笔记中，你将探索 Python 的核心概念和高级技巧！
