Sådan udtrækker du alle e-mailadresser og links fra rodet tekst

Hvis du vil hente alle e-mailadresser ud af en rodet side eller eksport, skal du bruge et mønster, der matcher formen på en adresse, og derefter rense tegnsætningen, der står op ad den. Et simpelt mønster tager et punktum eller komma med i slutningen af en sætning, og det misser adresser, der er skrevet på en sløret måde. Regn med at gennemgå listen med øjnene, før du bruger den.

Udtræk e-mails og linksFind e-mails på en sidePrøv gratis

Hvorfor simple mønstre går galt

Et typisk mønster er en række tegn uden mellemrum, et @-tegn og endnu en række tegn uden mellemrum. Det er let at skrive, men det har to fejl.

Det matcher for meget. I sætningen "Kontakt [email protected], eller [email protected]." returnerer mønsteret "\S+@\S+" "[email protected]," med kommaet og "[email protected]." med punktummet. Det er ikke gyldige adresser, og en udsendelse via postlisten eller et spamfilter vil afvise dem.

Det matcher for lidt. Adresser skrevet som "ana [at] example [dot] com" eller "ana at example dot com" bliver slet ikke fundet. Skribenter bruger den form for at undgå automatisk indsamling, og nogle sider gør det af samme grund. Erstat ordene først, og udtræk derefter.

Et bedre mønster tillader kun de tegn, en adresse kan indeholde, til venstre for @, og kun et bogstavbaseret domæne til højre. Mønsteret "[\w.+-]+@[\w-]+\.[\w.-]+" er et fornuftigt udgangspunkt. Men det kan stadig beholde et punktum efter domænet, når adressen slutter en sætning, fordi den sidste del af domænet tillader punktummer. Fjern derfor ét punktum til sidst fra hvert match. Værktøjet udtræk e-mailadresser og links fjerner allerede efterfølgende tegnsætning, så dette trin betyder mest, når du selv skriver mønsteret.

Her er, hvad mønsteret returnerer for de to eksempler ovenfor:

• "Skriv til [email protected]." giver "[email protected]." med punktummet til sidst, som skal fjernes.
• "Kontakt [email protected], eller [email protected]." giver "[email protected]" og "[email protected].", så den samme oprydning gælder.

Links opfører sig på samme måde

URL'er har det samme problem. Et link til sidst i en sætning har ofte et punktum, komma eller en lukkeparentes med. Et link i parentes, fx (se https://example.com/page), kan få lukkeparentesen med, hvis mønsteret er grådigt. Fjern efterfølgende tegnsætning, og kontrollér derefter, at hvert link åbner i en browser.

Links kan også være relative, fx /kontakt, og dem overser en udtrækning af e-mailadresser. Afgør, om du kun har brug for absolutte adresser, og sig det, når du kører udtrækningen.

Trin, der virker på de fleste eksporter

1. Erstat slørede former først med find og erstat: "[at]" bliver til @ og "[dot]" til punktum, men kun hvor du kan se, at teksten er en adresse.
2. Indsæt teksten, eller HTML-kildekoden for siden, i feltet Tekst eller HTML i udtrækningsværktøjet. Adresser og links bliver fundet, og efterfølgende tegnsætning fjernes.
3. Lad Fjern dubletter være markeret. Den ignorerer store og små bogstaver i e-mailadresser, så [email protected] og [email protected] tæller som én. Har du allerede en liste, gør fjern dublerede linjer det samme.
4. Markér Sortér A→Z, hvis du vil have listen i alfabetisk rækkefølge.
5. Læs den endelige liste igennem. Hold øje med værdier, der ikke er adresser, fx billedfilnavne, der tilfældigvis indeholder et @-tegn.

Et gennemregnet eksempel: en side indeholder "Salg: [email protected]", "[email protected]." og "Support: [email protected]". Udtrækningen giver tre match. Efter at punktummet er fjernet, og dubletter er fjernet uden hensyn til store og små bogstaver, står der to adresser tilbage: [email protected] og [email protected]. Vil du have listen i rækkefølge, markerer du Sortér A→Z i udtrækningsværktøjet, eller bruger du sortér linjer.

Hold listen ren og lovlig

E-mailadresser er personoplysninger mange steder, og der findes spamregler i mange lande. At indsamle en adresse fra en offentlig side giver ikke automatisk lov til at skrive til den. Regler som EU's GDPR og den amerikanske CAN-SPAM Act er to velkendte eksempler, og de stiller forskellige krav. Dette er generel information, ikke juridisk rådgivning. Før du sender noget, skal du tjekke de regler, der gælder for dig og for personerne på listen, og du skal have en mulighed for at afmelde sig ved masseudsendelser.

Særlige tilfælde

• Tekst, der ikke er en adresse. Strenge som [email protected] kan blive matchet. Fjern alt, der ender med en filendelse.
• Adresser i et billede. Læs et skærmbillede først med billede til tekst-værktøjet, og udtræk derefter fra resultatet. Guiden til skærmbilleder og fotos forklarer, hvordan du får en ren aflæsning.
• Skjulte tegn. Et nul-bredde-mellemrum inde i en adresse bryder matchet, så adressen bliver overset. Fjern skjulte tegn, før udtrækningen, hvis en kendt adresse mangler. Guiden til skjulte tegn i tekst forklarer, hvor de kommer fra.
• Kodede adresser. Nogle sider skjuler adresser i HTML-entiteter såsom @ for @. Afkod sidens tekst først, ellers ser mønsteret ikke @-tegnet.
• Lange eksporter. Ved store filer skal du udtrække til en fil og kontrollere antallet mod det antal linjer, du forventer.

Hurtige svar

Hvorfor har min e-mailudtrækning et punktum til sidst?

Et punktum er tilladt inde i et domæne, så et mønster, der accepterer punktummer, kan fange det, der afslutter en sætning. Fjern ét punktum til sidst fra hvert match.

Kan et værktøj finde adresser skrevet som "navn at example dot com"?

Ikke pålideligt uden et erstatningstrin. Omsæt ordene til symboler først, men kun hvor teksten tydeligt er en adresse, så almindelige sætninger ikke ændres.

Er det lovligt at skrive til alle adresser, jeg udtrækker fra en webside?

Det afhænger af, hvor du og modtagerne befinder jer, og af hvad beskeden indeholder. Spam- og privatlivsregler gælder, så tjek dem først. Dette er generel information, ikke juridisk rådgivning.