Wie du alle E-Mail-Adressen und Links aus unübersichtlichem Text herausholst

Um alle E-Mail-Adressen aus einer unübersichtlichen Seite oder einem Export herauszuholen, nutzt du ein Muster, das der Form einer Adresse entspricht, und entfernst danach die Satzzeichen, die direkt daneben stehen. Ein einfaches Muster erfasst einen Punkt oder ein Komma am Satzende mit und übersieht Adressen, die verschleiert geschrieben sind. Prüfe die Liste vor der Verwendung immer selbst.

E-Mail-Adressen und Links auslesenE-Mails aus einer Seite auslesenKostenlos loslegen

Warum einfache Muster danebenliegen

Ein häufiges Muster besteht aus einer Folge von Zeichen ohne Leerzeichen, einem @-Zeichen und einer weiteren Folge ohne Leerzeichen. Es ist leicht zu schreiben, hat aber zwei Schwächen.

Es erfasst zu viel. Im Satz „Contact [email protected], or [email protected].“ liefert das Muster „\S+@\S+“ den Treffer „[email protected],“ mit Komma und „[email protected].“ mit Punkt. Diese sind in deiner Liste keine gültigen Adressen, und ein Serienbrief oder ein Spamfilter lehnt sie ab.

Es erfasst zu wenig. Adressen wie „ana [at] example [dot] com“ oder „ana at example dot com“ werden gar nicht gefunden. Autoren schreiben so, um Scraper zu täuschen, und manche Seiten tun es aus demselben Grund. Ersetze daher zuerst die Wörter und extrahiere erst danach.

Ein besseres Muster erlaubt links nur Zeichen, die in einer Adresse vorkommen dürfen, und rechts nur eine Domain aus Buchstaben. Das Muster „[\w.+-]+@[\w-]+\.[\w.-]+“ ist ein brauchbarer Anfang. Trotzdem kann ein Punkt nach der Domain hängen bleiben, wenn die Adresse einen Satz beendet, denn der letzte Teil der Domain erlaubt Punkte. Entferne deshalb bei jedem Treffer einen abschließenden Punkt. Das Tool E-Mail-Adressen und Links extrahieren entfernt abschließende Satzzeichen bereits. Dieser Schritt ist also vor allem dann wichtig, wenn du ein eigenes Muster schreibst.

Hier ist, was dieses Muster für die beiden Beispiele oben liefert:

• „Write to [email protected].“ liefert „[email protected].“ mit dem abschließenden Punkt, der entfernt werden muss.
• „Contact [email protected], or [email protected].“ liefert „[email protected]“ und „[email protected].“, also gilt dieselbe Bereinigung.

Links verhalten sich genauso

URLs haben dasselbe Problem. Ein Link am Satzende trägt oft einen Punkt, ein Komma oder eine schließende Klammer. Ein Link in Klammern, etwa (see https://example.com/page), kann die schließende Klammer mitnehmen, wenn das Muster zu gierig arbeitet. Entferne die abschließenden Satzzeichen und prüfe dann, ob sich jeder Link im Browser öffnet.

Links können auch relativ sein, etwa /contact. Eine Extraktion für E-Mail-Adressen ignoriert sie. Lege fest, ob du nur absolute Adressen brauchst, und vermerke das beim Ausführen der Extraktion.

Schritte, die bei den meisten Exporten funktionieren

1. Ersetze zuerst die verschleierten Schreibweisen mit Text suchen und ersetzen: „[at]“ wird zu @ und „[dot]“ zu einem Punkt, aber nur dort, wo du klar erkennst, dass es sich um eine Adresse handelt.
2. Füge den Text oder den HTML-Quelltext der Seite unter Text oder HTML im Extraktionstool ein. Adressen und Links werden herausgefiltert, abschließende Satzzeichen entfernt.
3. Lass Duplikate entfernen aktiviert. Dabei wird die Groß- und Kleinschreibung in E-Mail-Adressen ignoriert, sodass [email protected] und [email protected] einmal zählen. Für eine Liste, die du bereits hast, erledigt Doppelte Zeilen entfernen dieselbe Aufgabe.
4. Setze den Haken bei Nach A→Z sortieren, wenn du die Liste geordnet haben möchtest.
5. Lies die fertige Liste durch. Achte auf Werte, die keine Adressen sind, etwa Bilddateinamen, die zufällig ein @-Zeichen enthalten.

Ein Beispiel: Eine Seite enthält „Sales: [email protected]“, „[email protected].“ und „Support: [email protected]“. Die Extraktion liefert drei Treffer. Nach dem Entfernen des Punkts und der Duplikate ohne Berücksichtigung der Groß- und Kleinschreibung bleiben zwei Adressen: [email protected] und [email protected]. Wenn die Liste sortiert sein soll, setze im Extraktionstool den Haken bei Nach A→Z sortieren oder nutze Zeilen sortieren.

Liste sauber und rechtskonform halten

E-Mail-Adressen gelten in vielen Fällen als personenbezogene Daten, und in vielen Ländern gibt es Regeln gegen Spam. Eine Adresse von einer öffentlichen Seite zu sammeln, erlaubt dir nicht automatisch, sie anzuschreiben. Bekannte Beispiele sind die DSGVO der EU und der US CAN-SPAM Act, die sich in ihren Anforderungen unterscheiden. Das sind allgemeine Informationen, keine Rechtsberatung. Prüfe vor dem Versand die Regeln, die für dich und für die Personen auf der Liste gelten, und biete bei Massenmails immer eine Abmeldemöglichkeit an.

Sonderfälle

• Text, der keine Adresse ist. Zeichenfolgen wie [email protected] können treffen. Entferne alles, was auf eine Dateiendung endet.
• Adressen in einem Bild. Lies einen Screenshot zuerst mit dem Tool Bild zu Text (OCR) aus und extrahiere danach aus dem Ergebnis. Die Anleitung zu Screenshots und Fotos erklärt, wie du ein sauberes Ergebnis bekommst.
• Unsichtbare Zeichen. Ein Zeichen ohne Breite innerhalb einer Adresse bricht den Treffer ab, und die Adresse wird übersehen. Wenn eine bekannte Adresse fehlt, entferne unsichtbare Zeichen vor der Extraktion. Die Anleitung zu unsichtbaren Zeichen erklärt, woher sie kommen.
• Kodierte Adressen. Manche Seiten verstecken Adressen in HTML-Entities wie @ für @. Dekodiere zuerst den Seitentext, sonst sieht das Muster das @-Zeichen nicht.
• Lange Exporte. Extrahiere bei großen Dateien in eine Datei und vergleiche die Anzahl mit der Zahl der Zeilen, die du erwartest.

Kurze Antworten

Warum endet meine E-Mail-Extraktion mit einem Punkt?

Ein Punkt ist innerhalb einer Domain erlaubt. Deshalb kann ein Muster, das Punkte akzeptiert, auch den Punkt am Satzende erwischen. Entferne bei jedem Treffer einen abschließenden Punkt.

Kann ein Tool Adressen finden, die als „name at example dot com“ geschrieben sind?

Nicht zuverlässig, ohne einen Ersetzungsschritt. Wandle die Wörter zuerst in Symbole um, aber nur dort, wo der Text eindeutig eine Adresse ist, damit normale Sätze unverändert bleiben.

Darf ich jede Adresse, die ich von einer Webseite extrahiere, anschreiben?

Das hängt davon ab, wo du und die Empfänger sich befinden und worum es in der Nachricht geht. Anti-Spam- und Datenschutzregeln gelten, prüfe sie deshalb vorher. Das sind allgemeine Informationen, keine Rechtsberatung.