Jak vytáhnout všechny e-mailové adresy a odkazy z neuspořádaného textu

Chcete-li vytáhnout všechny e-mailové adresy z neuspořádané stránky nebo exportu, použijte vzor, který odpovídá tvaru adresy, a potom odstraňte interpunkci, která u ní stojí. Jednoduchý vzor zachytí tečku nebo čárku na konci věty a přehlédne adresy zapsané obfuskovaným způsobem. Seznam je třeba před použitím zkontrolovat očima.

Vytáhnout e-maily a odkazyVytáhnout e-maily ze stránkyVyzkoušet zdarma

Proč jednoduché vzory selhávají

Častý vzor je řetězec znaků bez mezer, znak @ a další řetězec znaků bez mezer. Je snadno napsatelný, ale má dvě chyby.

Zachytí příliš mnoho. Ve větě „Kontaktujte [email protected], nebo [email protected].“ vrátí vzor „\S+@\S+“ výsledek „[email protected],“ s čárkou a „[email protected].“ s tečkou. Tyto zápisy nejsou platné adresy a hromadná pošta nebo spamový filtr je odmítne.

Zachytí příliš málo. Adresy zapsané jako „ana [at] example [dot] com“ nebo „ana at example dot com“ se nenajdou vůbec. Pisatelé tento tvar používají, aby se adresa neopisovala automaticky, a některé stránky z téhož důvodu. Nejprve slova nahraďte, potom teprve vytahujte.

Lepší vzor připouští jen znaky, které se mohou v adrese vyskytnout vlevo, a vpravo jen doménu složenou z písmen. Vzor „[\w.+-]+@[\w-]+\.[\w.-]+“ je rozumný začátek. I tak může ponechat tečku za doménou, když adresa končí větu, protože poslední část domény dovoluje tečky. Odstraňte proto z každé shody jednu koncovou tečku. Nástroj vytáhnout e-maily a odkazy koncovou interpunkci odstraňuje sám, takže tento krok je důležitý hlavně tehdy, když píšete vlastní vzor.

Pro dva výše uvedené příklady vrátí tento vzor:

• „Napište na [email protected].“ dá „[email protected].“ s koncovou tečkou, kterou je třeba odstranit.
• „Kontaktujte [email protected], nebo [email protected].“ dá „[email protected]“ a „[email protected].“, takže platí stejné očištění.

Odkazy fungují stejně

S URL adresami je stejný problém. Odkaz na konci věty má často tečku, čárku nebo uzavírací závorku. Odkaz uvnitř závorek, například (viz https://example.com/page), může při chamtivém vzoru zachytit i uzavírací závorku. Odstraňte koncovou interpunkci a poté ověřte, že se každý odkaz otevře v prohlížeči.

Odkazy mohou být také relativní, například /kontakt, které extrakce e-mailových adres ignoruje. Rozhodněte, zda potřebujete jen absolutní adresy, a při spuštění extrakce to uveďte.

Postup, který funguje u většiny exportů

1. Nejprve nahraďte obfuskované tvary pomocí najít a nahradit: „[at]“ změňte na @ a „[dot]“ na tečku, ale jen tam, kde je zřejmé, že jde o adresu.
2. Vložte text nebo HTML zdroj stránky do pole Text nebo HTML v nástroji pro extrakci. Adresy a odkazy se vyberou a koncová interpunkce se odstraní.
3. Ponechte zaškrtnuté Odstranit duplicity. Ignoruje velká písmena v e-mailových adresách, takže [email protected] a [email protected] se počítají jednou. U seznamu, který už máte, udělá totéž odstranění duplicitních řádků.
4. Zaškrtněte Řadit A→Z, pokud chcete seznam seřadit.
5. Přečtěte si výsledný seznam. Hledejte hodnoty, které nejsou adresy, například názvy souborů obrázků, které náhodou obsahují znak @.

Příklad: stránka obsahuje „Prodej: [email protected]“, „[email protected].“ a „Podpora: [email protected]“. Extrakce vrátí tři shody. Po odstranění tečky a odebrání duplicit bez ohledu na velikost písmen zbydou dvě adresy: [email protected] a [email protected]. Chcete-li seznam seřadit, zaškrtněte v extraktoru Řadit A→Z, nebo použijte řazení řádků.

Udržujte seznam čistý a v souladu se zákonem

E-mailové adresy jsou v mnoha případech osobní údaje a v mnoha zemích existují pravidla proti spamu. Získání adresy z veřejné stránky automaticky neopravňuje k jejímu oslovení e-mailem. Dvěma dobře známými příklady jsou evropské GDPR a americký zákon CAN-SPAM, které se liší v tom, co vyžadují. Jde o obecné informace, nikoli o právní poradenství. Než cokoli odešlete, ověřte pravidla platná pro vás i pro lidi na seznamu a u hromadných zpráv nabídněte možnost odhlášení.

Okrajové případy

• Text, který není adresou. Řetězce jako [email protected] mohou být zachyceny. Odstraňte vše, co končí příponou souboru.
• Adresy na obrázku. Nejprve přečtěte snímek obrazovky nástrojem obrázek na text a teprve potom z výsledku vytahujte. Jak získat čisté čtení, vysvětluje průvodce snímky obrazovky a fotografiemi.
• Skryté znaky. Nulová mezera uvnitř adresy přeruší shodu a adresa se přehlédne. Pokud chybí známá adresa, odstraňte skryté znaky před extrakcí. Odkud se berou, vysvětluje průvodce skrytými znaky.
• Zakódované adresy. Některé stránky skrývají adresy v HTML entitách, například @ pro @. Nejprve dekódujte text stránky, jinak vzor znak @ neuvidí.
• Dlouhé exporty. U velkých souborů extrahujte do souboru a počet výsledků porovnejte s počtem řádků, které očekáváte.

Rychlé odpovědi

Proč mi extrakce e-mailu zahrnuje tečku na konci?

Tečka je v doméně povolena, takže vzor, který tečky připouští, může zachytit tu, která končí větu. Odstraňte z každé shody jednu koncovou tečku.

Dokáže nástroj najít adresy zapsané jako „jméno at example dot com“?

Spolehlivě ne bez kroku nahrazení. Nejprve převeďte slova na symboly, ale jen tam, kde je text zjevně adresou, aby se běžné věty neměnily.

Je legální napsat e-mail na každou adresu, kterou vytáhnu z webové stránky?

Záleží na tom, kde jste vy a příjemci, a na obsahu zprávy. Platí protispamová a pravidla ochrany soukromí, takže je nejprve ověřte. Jde o obecné informace, nikoli o právní poradenství.