गंदे टेक्स्ट से हर ईमेल पता और लिंक कैसे निकालें

किसी गड़बड़ पेज या एक्सपोर्ट से हर ईमेल पता निकालने के लिए ऐसा पैटर्न इस्तेमाल करें जो ईमेल पते के रूप से मेल खाए, और फिर उसके आसपास के विराम-चिह्न साफ़ करें। सादा पैटर्न वाक्य के अंत वाला पूर्ण विराम या कॉमा भी पकड़ लेता है, और छिपाकर लिखे गए पतों को नहीं पकड़ता। इस्तेमाल करने से पहले सूची को आँख से जाँच लें।

ईमेल और लिंक निकालेंपेज से ईमेल पते कैसे निकालेंमुफ़्त में करें

सादे पैटर्न कहाँ गलत होते हैं

एक आम पैटर्न है: बिना स्पेस वाले अक्षरों का एक हिस्सा, फिर @ चिह्न, और फिर बिना स्पेस वाले अक्षरों का एक और हिस्सा। इसे लिखना आसान है, पर इसमें दो दिक्कतें हैं।

यह ज़रूरत से ज़्यादा पकड़ता है। वाक्य "Contact [email protected], or [email protected]." में पैटर्न "\S+@\S+" "[email protected]," (कॉमा के साथ) और "[email protected]." (पूर्ण विराम के साथ) लौटाता है। ये आपकी सूची में सही ईमेल पते नहीं हैं, और मेल मर्ज या स्पैम फ़िल्टर इन्हें अस्वीकार कर देंगे।

यह कम पकड़ता है। "ana [at] example [dot] com" या "ana at example dot com" जैसे रूप बिल्कुल नहीं मिलते। लोग स्क्रैपिंग से बचने के लिए ऐसा लिखते हैं, और कुछ पेज इसी वजह से ऐसा करते हैं। पहले शब्दों को बदलें, फिर निकालें।

बेहतर पैटर्न बाईं ओर केवल वे अक्षर अनुमति देता है जो ईमेल पते में हो सकते हैं, और दाईं ओर केवल अक्षरों वाला डोमेन। पैटर्न "[\w.+-]+@[\w-]+\.[\w.-]+" एक ठीक शुरुआत है। फिर भी, जब पता वाक्य के अंत में हो, तो यह डोमेन के बाद का पूर्ण विराम पकड़ सकता है, क्योंकि डोमेन के आखिरी हिस्से में बिंदु की अनुमति है। हर मिलान से एक अंत का पूर्ण विराम हटा दें। ईमेल और लिंक निकालें टूल अंत के विराम-चिह्न अपने-आप हटा देता है, इसलिए यह कदम तभी ज़्यादा मायने रखता है जब आप अपना पैटर्न लिखें।

ऊपर के दोनों उदाहरणों पर यह पैटर्न क्या लौटाता है:

• "Write to [email protected]." से "[email protected]." मिलता है, और अंत का पूर्ण विराम हटाना ज़रूरी है।
• "Contact [email protected], or [email protected]." से "[email protected]" और "[email protected]." मिलते हैं, तो वही सफ़ाई लागू होगी।

लिंक भी इसी तरह व्यवहार करते हैं

URL में भी यही समस्या होती है। वाक्य के अंत में आया लिंक अक्सर पूर्ण विराम, कॉमा या बंद होने वाले कोष्ठक के साथ आता है। कोष्ठक में लिखा लिंक, जैसे (see https://example.com/page), अगर पैटर्न लालची हो तो बंद होने वाला कोष्ठक भी पकड़ लेता है। अंत के विराम-चिह्न साफ़ करें, फिर जाँचें कि हर लिंक ब्राउज़र में खुलता है।

लिंक सापेक्ष भी हो सकते हैं, जैसे /contact, जिन्हें ईमेल पते निकालने की प्रक्रिया नज़रअंदाज़ कर देगी। तय करें कि आपको केवल पूरे (absolute) पते चाहिए या नहीं, और निकालते समय यह साफ़ बता दें।

ज़्यादातर एक्सपोर्ट पर काम करने वाले कदम

1. सबसे पहले छिपे हुए रूप बदलें, खोजें और बदलें से: "[at]" को @ और "[dot]" को पूर्ण विराम में बदलें, पर केवल वहाँ जहाँ आपको दिख रहा हो कि वह पता है।
2. टेक्स्ट, या पेज का HTML सोर्स, एक्सट्रैक्ट टूल में टेक्स्ट या HTML वाले हिस्से में चिपकाएँ। पते और लिंक चुने जाते हैं, और अंत के विराम-चिह्न हट जाते हैं।
3. डुप्लिकेट हटाएँ चालू रखें। यह ईमेल पते में बड़े-छोटे अक्षरों को अनदेखा करता है, इसलिए [email protected] और [email protected] एक ही गिने जाते हैं। जो सूची आपके पास पहले से है, उसके लिए डुप्लिकेट लाइनें हटाएँ वही काम करता है।
4. अगर सूची क्रम में चाहिए, तो A→Z क्रम में छाँटें चुनें।
5. अंतिम सूची पढ़ें। ऐसी चीज़ें देखें जो पते नहीं हैं, जैसे इमेज फ़ाइल के नाम जिनमें संयोग से @ चिह्न है।

एक उदाहरण: किसी पेज पर "Sales: [email protected]", "[email protected]." और "Support: [email protected]" लिखा है। एक्सट्रैक्शन तीन मिलान देता है। अंत का पूर्ण विराम हटाने और अक्षरों के आकार को अनदेखा करते हुए डुप्लिकेट हटाने के बाद नतीजा दो पते होते हैं: [email protected] और [email protected]। अगर सूची क्रम में चाहिए, तो एक्सट्रैक्टर में A→Z क्रम में छाँटें चुनें, या लाइनें छाँटें इस्तेमाल करें।

सूची साफ़ और कानूनी रखें

ईमेल पते कई जगह निजी डेटा होते हैं, और कई देशों में स्पैम-विरोधी नियम हैं। किसी सार्वजनिक पेज से पता ले लेना अपने-आप यह अनुमति नहीं देता कि आप उसे ईमेल करें। EU का GDPR और अमेरिका का CAN-SPAM Act दो प्रसिद्ध उदाहरण हैं, और वे जो माँगते हैं उसमें फ़र्क है। यह सामान्य जानकारी है, कानूनी सलाह नहीं। कुछ भी भेजने से पहले जाँच लें कि आपके और सूची के लोगों पर कौन-से नियम लागू होते हैं, और थोक संदेशों में सदस्यता रद्द करने का विकल्प रखें।

किनारे के मामले

• जो टेक्स्ट पता नहीं है। [email protected] जैसी स्ट्रिंग मेल खा सकती है। जो भी किसी फ़ाइल एक्सटेंशन पर खत्म होता है, उसे हटा दें।
• तस्वीर में पते। पहले इमेज से टेक्स्ट टूल से स्क्रीनशॉट पढ़ें, फिर नतीजे से निकालें। स्क्रीनशॉट और फ़ोटो गाइड बताती है कि साफ़ पढ़ाई कैसे हासिल करें।
• छिपे हुए अक्षर। पते के अंदर का ज़ीरो-विड्थ स्पेस मिलान तोड़ देता है, इसलिए पता छूट जाता है। अगर कोई ज्ञात पता नहीं मिल रहा, तो निकालने से पहले छिपे हुए अक्षर हटाएं। ये कहाँ से आते हैं, यह छिपे हुए अक्षरों वाला गाइड बताता है।
• एन्कोड किए गए पते। कुछ पेज पते को HTML एंटिटी जैसे @ (जो @ है) में छिपाते हैं। पहले पेज का टेक्स्ट डिकोड करें, नहीं तो पैटर्न @ चिह्न देख ही नहीं पाएगा।
• बड़े एक्सपोर्ट। बड़ी फ़ाइलों के लिए नतीजे को फ़ाइल में निकालें, और गिनती की तुलना उन लाइनों की संख्या से करें जितनी आप उम्मीद करते हैं।

त्वरित जवाब

मेरी ईमेल निकासी में अंत में पूर्ण विराम क्यों आ जाता है?

डोमेन के अंदर पूर्ण विराम की अनुमति है, इसलिए जो पैटर्न बिंदुओं को स्वीकार करता है, वह वाक्य के अंत वाला पूर्ण विराम भी पकड़ सकता है। हर मिलान से एक अंत का पूर्ण विराम हटा दें।

क्या कोई टूल "name at example dot com" लिखे पते ढूँढ सकता है?

बदलाव वाले कदम के बिना भरोसेमंद रूप से नहीं। पहले शब्दों को चिह्नों में बदलें, पर केवल वहाँ जहाँ टेक्स्ट साफ़ तौर पर पता है, ताकि सामान्य वाक्य न बदलें।

क्या वेब पेज से निकाले हर पते पर ईमेल भेजना कानूनी है?

यह इस पर निर्भर है कि आप और प्राप्तकर्ता कहाँ हैं, और संदेश किस तरह का है। स्पैम-विरोधी और गोपनीयता के नियम लागू होते हैं, इसलिए पहले उन्हें जाँच लें। यह सामान्य जानकारी है, कानूनी सलाह नहीं।