Πώς να εξάγετε όλες τις διευθύνσεις email και τους συνδέσμους από ακατάστατο κείμενο

Για να εξαγάγετε όλες τις διευθύνσεις email από μια ακατάστατη σελίδα ή εξαγωγή δεδομένων, χρησιμοποιήστε ένα μοτίβο που ταιριάζει με τη μορφή μιας διεύθυνσης και μετά καθαρίστε τη στίξη που βρίσκεται δίπλα της. Ένα απλό μοτίβο πιάνει και την τελεία ή το κόμμα στο τέλος της πρότασης, και δεν βρίσκει διευθύνσεις γραμμένες με αποκρυπτογραφημένο τρόπο. Ελέγξτε τη λίστα με το μάτι πριν τη χρησιμοποιήσετε.

Εξαγωγή email και συνδέσμωνΒγάλε τα email από μια σελίδαΚάντε το δωρεάν

Γιατί τα απλά μοτίβα αποτυγχάνουν

Ένα συνηθισμένο μοτίβο είναι μια σειρά χαρακτήρων χωρίς κενά, ένα σύμβολο @ και άλλη μια σειρά χαρακτήρων χωρίς κενά. Είναι εύκολο να γραφτεί, αλλά έχει δύο προβλήματα.

Πιάνει περισσότερα από όσα πρέπει. Στην πρόταση "Contact [email protected], or [email protected]." το μοτίβο "\S+@\S+" επιστρέφει το "[email protected]," με το κόμμα και το "[email protected]." με την τελεία. Αυτά δεν είναι έγκυρες διευθύνσεις για τη λίστα σας, και μια συγχώνευση αλληλογραφίας ή ένα φίλτρο spam θα τις απορρίψει.

Πιάνει λιγότερα από όσα πρέπει. Οι διευθύνσεις γραμμένες ως "ana [at] example [dot] com" ή "ana at example dot com" δεν βρίσκονται καθόλου. Όσοι γράφουν έτσι το κάνουν για να αποφύγουν τη συλλογή διευθύνσεων από ρομπότ, και κάποιες σελίδες το κάνουν για τον ίδιο λόγο. Αντικαταστήστε πρώτα τις λέξεις και μετά κάντε την εξαγωγή.

Ένα καλύτερο μοτίβο επιτρέπει μόνο τους χαρακτήρες που μπορεί να έχει μια διεύθυνση στα αριστερά και μόνο ένα αλφαβητικό domain στα δεξιά. Το μοτίβο "[\w.+-]+@[\w-]+\.[\w.-]+" είναι μια λογική αρχή. Παρ' όλα αυτά, μπορεί να κρατήσει μια τελεία μετά το domain όταν η διεύθυνση τελειώνει μια πρόταση, επειδή το τελευταίο τμήμα του domain δέχεται τελείες. Αφαιρέστε μία τελική τελεία από κάθε ταίριασμα. Το εργαλείο εξαγωγή email και συνδέσμων αφαιρεί ήδη την τελική στίξη, οπότε αυτό το βήμα έχει κυρίως νόημα όταν γράφετε δικό σας μοτίβο.

Εδώ είναι τι επιστρέφει αυτό το μοτίβο για τα δύο παραδείγματα παραπάνω:

• Το "Write to [email protected]." δίνει "[email protected]." με την τελική τελεία, που πρέπει να αφαιρεθεί.
• Το "Contact [email protected], or [email protected]." δίνει "[email protected]" και "[email protected].", άρα ισχύει ο ίδιος καθαρισμός.

Οι σύνδεσμοι συμπεριφέρονται το ίδιο

Τα URL έχουν το ίδιο πρόβλημα. Ένας σύνδεσμος στο τέλος της πρότασης συχνά έχει τελεία, κόμμα ή κλειστή παρένθεση. Ένας σύνδεσμος μέσα σε παρένθεση, όπως (see https://example.com/page), μπορεί να πιάσει και την κλειστή παρένθεση αν το μοτίβο είναι άπληστο. Καθαρίστε την τελική στίξη και μετά ελέγξτε ότι κάθε σύνδεσμος ανοίγει σε πρόγραμμα περιήγησης.

Οι σύνδεσμοι μπορεί επίσης να είναι σχετικοί, όπως το /contact, τους οποίους η εξαγωγή διευθύνσεων email θα αγνοήσει. Αποφασίστε αν χρειάζεστε μόνο απόλυτες διευθύνσεις και πείτε το ρητά όταν εκτελείτε την εξαγωγή.

Βήματα που δουλεύουν στις περισσότερες εξαγωγές

1. Αντικαταστήστε πρώτα τις κρυπτογραφημένες μορφές με εύρεση και αντικατάσταση: το "[at]" γίνεται @ και το "[dot]" γίνεται τελεία, αλλά μόνο εκεί όπου βλέπετε ότι το κείμενο είναι διεύθυνση.
2. Επικολλήστε το κείμενο, ή τον πηγαίο κώδικα HTML της σελίδας, στο πεδίο Κείμενο ή HTML του εργαλείου εξαγωγής. Οι διευθύνσεις και οι σύνδεσμοι επιλέγονται, και η τελική στίξη αφαιρείται.
3. Αφήστε ενεργή την επιλογή Αφαίρεση διπλότυπων. Αγνοεί τα κεφαλαία γράμματα στις διευθύνσεις email, άρα τα [email protected] και [email protected] μετράνε μία φορά. Για μια λίστα που ήδη έχετε, η αφαίρεση διπλότυπων γραμμών κάνει την ίδια δουλειά.
4. Επιλέξτε Ταξινόμηση Α→Ω αν θέλετε τη λίστα ταξινομημένη.
5. Διαβάστε την τελική λίστα. Προσέξτε για τιμές που δεν είναι διευθύνσεις, όπως ονόματα αρχείων εικόνας που τυχαίνει να έχουν σύμβολο @.

Ένα παράδειγμα: μια σελίδα περιέχει "Sales: [email protected]", "[email protected]." και "Support: [email protected]". Η εξαγωγή επιστρέφει τρία ταιριάσματα. Αφού αφαιρεθεί η τελεία και καταργηθούν τα διπλότυπα χωρίς διάκριση πεζών και κεφαλαίων, το αποτέλεσμα είναι δύο διευθύνσεις: [email protected] και [email protected]. Αν θέλετε τη λίστα ταξινομημένη, επιλέξτε Ταξινόμηση Α→Ω στον εξαγωγέα ή χρησιμοποιήστε την ταξινόμηση γραμμών.

Κρατήστε τη λίστα καθαρή και νόμιμη

Οι διευθύνσεις email είναι προσωπικά δεδομένα σε πολλές περιπτώσεις, και σε πολλές χώρες ισχύουν κανόνες κατά του spam. Η συλλογή μιας διεύθυνσης από μια δημόσια σελίδα δεν σημαίνει αυτόματα ότι επιτρέπεται να της στείλετε email. Κανόνες όπως ο GDPR της ΕΕ και ο νόμος CAN-SPAM των ΗΠΑ είναι δύο γνωστά παραδείγματα, και διαφέρουν στις απαιτήσεις τους. Αυτές είναι γενικές πληροφορίες και όχι νομική συμβουλή. Πριν στείλετε οτιδήποτε, ελέγξτε τους κανόνες που ισχύουν για εσάς και για τα άτομα της λίστας, και για μαζικά μηνύματα κρατήστε μια επιλογή διαγραφής από τη λίστα.

Ειδικές περιπτώσεις

• Κείμενο που δεν είναι διεύθυνση. Συμβολοσειρές όπως το [email protected] μπορεί να ταιριάξουν. Αφαιρέστε ό,τι τελειώνει σε κατάληξη αρχείου.
• Διευθύνσεις μέσα σε εικόνα. Διαβάστε πρώτα ένα στιγμιότυπο οθόνης με το εργαλείο εξαγωγής κειμένου από εικόνα και μετά κάντε την εξαγωγή από το αποτέλεσμα. Ο οδηγός για στιγμιότυπα οθόνης και φωτογραφίες εξηγεί πώς να πάρετε μια καθαρή ανάγνωση.
• Αόρατοι χαρακτήρες. Ένα κενό πλάτους μηδέν μέσα σε μια διεύθυνση σπάει το ταίριασμα, οπότε η διεύθυνση χάνεται. Αφαιρέστε τους αόρατους χαρακτήρες πριν από την εξαγωγή αν μια γνωστή διεύθυνση λείπει. Ο οδηγός για τους αόρατους χαρακτήρες εξηγεί από πού προέρχονται.
• Κωδικοποιημένες διευθύνσεις. Κάποιες σελίδες κρύβουν διευθύνσεις σε οντότητες HTML, όπως το @ για το @. Αποκωδικοποιήστε πρώτα το κείμενο της σελίδας, αλλιώς το μοτίβο δεν θα βλέπει το σύμβολο @.
• Μεγάλες εξαγωγές. Για μεγάλα αρχεία, κάντε την εξαγωγή σε αρχείο και ελέγξτε το πλήθος με τον αριθμό των γραμμών που περιμένετε.

Σύντομες απαντήσεις

Γιατί η εξαγωγή email περιλαμβάνει τελεία στο τέλος;

Η τελεία επιτρέπεται μέσα σε domain, οπότε ένα μοτίβο που δέχεται τελείες μπορεί να πιάσει και αυτή που τελειώνει την πρόταση. Αφαιρέστε μία τελική τελεία από κάθε ταίριασμα.

Μπορεί ένα εργαλείο να βρει διευθύνσεις γραμμένες ως "name at example dot com";

Όχι αξιόπιστα, χωρίς βήμα αντικατάστασης. Μετατρέψτε πρώτα τις λέξεις σε σύμβολα, αλλά μόνο εκεί όπου το κείμενο είναι σαφώς διεύθυνση, ώστε οι κανονικές προτάσεις να μην αλλάζουν.

Είναι νόμιμο να στείλω email σε κάθε διεύθυνση που εξήγαγα από ιστοσελίδα;

Εξαρτάται από το πού βρίσκεστε εσείς και οι παραλήπτες, και από το περιεχόμενο του μηνύματος. Ισχύουν κανόνες για το spam και για την προστασία προσωπικών δεδομένων, οπότε ελέγξτε τους πρώτα. Αυτές είναι γενικές πληροφορίες και όχι νομική συμβουλή.