Cómo extraer todos los correos y enlaces de un texto desordenado

Para sacar todos los correos de una página o exportación desordenada, usa un patrón que coincida con la forma de una dirección y luego limpia los signos de puntuación que quedan pegados. Un patrón simple captura el punto o la coma al final de una frase y se pierde las direcciones escritas de forma ofuscada. Revisa la lista a ojo antes de usarla.

Extraer correos y enlacesSacar correos de una páginaÚsalo gratis

Por qué fallan los patrones simples

Un patrón habitual es una secuencia de caracteres sin espacios, una arroba y otra secuencia de caracteres sin espacios. Es fácil de escribir y tiene dos fallos.

Captura de más. En la frase "Contacta con [email protected], o con [email protected]." el patrón "\S+@\S+" devuelve "[email protected]," con la coma y "[email protected]." con el punto final. Esas no son direcciones válidas en tu lista, y una combinación de correspondencia o un filtro antispam las rechazarán.

Captura de menos. Las direcciones escritas como "ana [at] example [dot] com" o "ana at example dot com" no se detectan. Quien escribe así lo hace para evitar el rastreo, y algunas páginas lo usan por la misma razón. Sustituye primero las palabras y luego extrae.

Un patrón mejor solo admite los caracteres que puede tener una dirección a la izquierda y un dominio con letras a la derecha. El patrón "[\w.+-]+@[\w-]+\.[\w.-]+" es un buen punto de partida. Aun así, puede conservar un punto después del dominio cuando la dirección termina una frase, porque la última parte del dominio admite puntos. Quita un punto final de cada coincidencia. La herramienta extraer correos y enlaces ya elimina la puntuación final, así que este paso importa sobre todo si escribes tu propio patrón.

Esto es lo que devuelve ese patrón con los dos ejemplos anteriores:

• "Escribe a [email protected]." da "[email protected]." con el punto final, que hay que eliminar.
• "Contacta con [email protected], o con [email protected]." da "[email protected]" y "[email protected].", así que se aplica la misma limpieza.

Los enlaces funcionan igual

Las URL tienen el mismo problema. Un enlace al final de una frase suele llevar un punto, una coma o un paréntesis de cierre. Un enlace entre paréntesis, como (véase https://example.com/pagina), puede arrastrar el paréntesis de cierre si el patrón es demasiado amplio. Limpia la puntuación final y comprueba que cada enlace se abre en el navegador.

Los enlaces también pueden ser relativos, como /contacto, que una extracción de correos ignorará. Decide si solo necesitas direcciones absolutas e indícalo al hacer la extracción.

Pasos que funcionan en la mayoría de exportaciones

1. Sustituye primero las formas ofuscadas con buscar y reemplazar: "[at]" pasa a ser @ y "[dot]" pasa a ser un punto, pero solo cuando veas que el texto es una dirección.
2. Pega el texto, o el código HTML de la página, en Texto o HTML de la herramienta de extracción. Se seleccionan las direcciones y los enlaces, y se eliminan los signos de puntuación finales.
3. Deja marcada la opción Eliminar duplicados. Ignora las mayúsculas en las direcciones de correo, así que [email protected] y [email protected] cuentan como una sola. Para una lista que ya tienes, eliminar líneas duplicadas hace lo mismo.
4. Marca Ordenar A→Z si quieres la lista ordenada.
5. Revisa la lista final. Busca valores que no sean direcciones, como nombres de archivos de imagen que casualmente llevan una arroba.

Un ejemplo práctico: una página contiene "Ventas: [email protected]", "[email protected]." y "Soporte: [email protected]". La extracción devuelve tres coincidencias. Tras quitar el punto final y eliminar los duplicados sin distinguir mayúsculas, quedan dos direcciones: [email protected] y [email protected]. Si quieres la lista ordenada, marca Ordenar A→Z en el extractor o usa ordenar líneas.

Mantén la lista limpia y dentro de la ley

Las direcciones de correo son datos personales en muchos lugares, y existen normas contra el spam en muchos países. Obtener una dirección de una página pública no te permite, por sí solo, enviarle correos. Normas como el RGPD de la UE y la CAN-SPAM Act de Estados Unidos son dos ejemplos muy conocidos, y difieren en lo que exigen. Esta información es general y no constituye asesoramiento jurídico. Antes de enviar nada, revisa las normas que te afectan a ti y a las personas de la lista, y ofrece una opción de baja en los mensajes masivos.

Casos especiales

• Texto que no es una dirección. Cadenas como [email protected] pueden coincidir. Elimina todo lo que termine en una extensión de archivo.
• Direcciones en una imagen. Lee primero una captura con la herramienta de imagen a texto y extrae después del resultado. La guía de capturas y fotos explica cómo obtener una lectura limpia.
• Caracteres ocultos. Un espacio de ancho cero dentro de una dirección rompe la coincidencia, así que la dirección no aparece. Elimina los caracteres ocultos antes de extraer si falta una dirección conocida. La guía de caracteres ocultos explica de dónde vienen.
• Direcciones codificadas. Algunas páginas ocultan direcciones en entidades HTML como @ en lugar de @. Decodifica primero el texto de la página, o el patrón no verá la arroba.
• Exportaciones largas. En archivos grandes, extrae a un archivo y compara el recuento con el número de líneas que esperas.

Respuestas rápidas

¿Por qué mi extracción de correos incluye un punto al final?

Un punto está permitido dentro de un dominio, así que un patrón que admite puntos puede capturar el que termina la frase. Quita un punto final de cada coincidencia.

¿Puede una herramienta encontrar direcciones escritas como "nombre at example dot com"?

No de forma fiable sin un paso de sustitución. Convierte primero las palabras en símbolos, pero solo donde el texto sea claramente una dirección, para no alterar frases normales.

¿Es legal enviar un correo a cada dirección que extraigo de una página web?

Depende de dónde estéis tú y los destinatarios, y del contenido del mensaje. Se aplican normas antispam y de privacidad, así que compruébalas antes. Esta información es general y no constituye asesoramiento jurídico.