Hogyan nyerd ki az összes e-mail-címet és linket rendetlen szövegből

Ha egy rendetlen oldalból vagy exportfájlból ki akarod szedni az összes e-mail-címet, olyan mintát használj, amely egy e-mail-cím alakjára illeszkedik, majd tisztítsd meg a mellette álló írásjeleket. Az egyszerű minta a mondat végi pontot vagy vesszőt is magával viszi, és az elrejtett formában írt címeket nem találja meg. Számíts rá, hogy a listát szemmel is át kell nézned, mielőtt felhasználod.

E-mailek és linkek kinyeréseE-mailek kinyerése egy oldalrólPróbáld ki ingyen

Miért rontják el az egyszerű minták?

Gyakori minta a nem szóköz karakterek sorozata, egy @ jel, majd újabb nem szóköz karakterek sorozata. Könnyű megírni, de két hibája van.

Túl sokat fog meg. A „Contact [email protected], or [email protected].” mondatban a „\S+@\S+” minta a „[email protected],” és a „[email protected].” találatot adja, vesszővel és ponttal a végén. Ezek a listádban nem érvényes címek, és a levelezőrendszer vagy a spamszűrő el fogja utasítani őket.

Kevesebbet fog meg. Az olyan címeket, mint az „ana [at] example [dot] com” vagy az „ana at example dot com”, egyáltalán nem találja meg. Az írók az ilyen alakot azért használják, hogy elkerüljék a gyűjtést, és egyes oldalak ugyanezért alkalmazzák. Először cseréld le a szavakat, utána nyerd ki a címeket.

Jobb minta csak azokat a karaktereket engedi a bal oldalon, amelyek egy e-mail-címben szerepelhetnek, a jobb oldalon pedig csak betűkből álló tartománynevet. A „[\w.+-]+@[\w-]+\.[\w.-]+” minta ésszerű kiindulópont. Ez is megtarthatja a tartománynév utáni pontot, ha a cím mondat végén áll, mert a tartománynév utolsó része engedi a pontokat. Minden találatról vedd le a végén álló pontot. Az e-mailek és linkek kinyerése eszköz már eltávolítja a mondat végi írásjeleket, így ez a lépés főleg akkor fontos, ha saját mintát írsz.

Íme, mit ad vissza ez a minta a két fenti példára:

• A „Write to [email protected].” mondatból az „[email protected].” lesz a végén a pontdal, amelyet el kell távolítani.
• A „Contact [email protected], or [email protected].” mondatból a „[email protected]” és a „[email protected].” lesz, így ugyanaz a tisztítás vonatkozik rájuk.

A linkek ugyanígy viselkednek

Az URL-ekkel ugyanez a probléma. A mondat végén álló linkhez gyakran pont, vessző vagy záró zárójel tartozik. A zárójelben álló link, például (see https://example.com/page), záró zárójelet is magával vihet, ha a minta mohó. Tisztítsd meg a végén álló írásjeleket, majd ellenőrizd, hogy minden link megnyílik-e böngészőben.

A linkek lehetnek relatívak is, például /contact, és az e-mail-címek kinyerése ezeket figyelmen kívül hagyja. Döntsd el, hogy csak abszolút címekre van-e szükséged, és ezt jelezd, amikor elindítod a kinyerést.

Lépések, amelyek a legtöbb exportnál működnek

1. Először cseréld le az elrejtett alakokat a keresés és csere eszközzel: az „[at]” legyen @, a „[dot]” legyen pont, de csak ott, ahol látod, hogy szövegben cím van.
2. Illeszd be a szöveget vagy az oldal HTML-forrását az eszköz Szöveg vagy HTML mezőjébe. A rendszer kiemeli a címeket és a linkeket, a végén álló írásjeleket pedig eltávolítja.
3. Hagyd bejelölve az Ismétlődők eltávolítása opciót. Figyelmen kívül hagyja az e-mail-címek nagybetűit, így a [email protected] és a [email protected] egyként számít. Ha már van egy listád, a duplikált sorok törlése ugyanezt a munkát végzi el.
4. Jelöld be a Rendezés A→Z opciót, ha szeretnéd sorrendbe rendezni a listát.
5. Nézd át a végső listát. Keress olyan értékeket, amelyek nem címek, például képfájlnevek, amelyekben véletlenül szerepel egy @ jel.

Egy példa: egy oldalon ez áll: „Sales: [email protected]”, „[email protected].” és „Support: [email protected]”. A kinyerés három találatot ad. A végén álló pont eltávolítása és az ismétlődések törlése kis- és nagybetű figyelmen kívül hagyásával után két cím marad: [email protected] és [email protected]. Ha sorrendbe szeretnéd rendezni a listát, jelöld be a Rendezés A→Z opciót a kinyerőben, vagy használd a sorok rendezése eszközt.

Tartsd tisztán és jogszerűen a listát

Az e-mail-címek sok helyen személyes adatnak számítanak, és sok országban léteznek spamellenes szabályok. Attól, hogy egy címet nyilvános oldalról gyűjtöttél, még nem lesz automatikusan jogod e-mailt küldeni neki. Ilyen jól ismert példa az EU GDPR-rendelete és az USA CAN-SPAM törvénye, és ezek eltérően írják elő a követelményeket. Ez általános tájékoztatás, nem jogi tanács. Mielőtt bármit elküldesz, nézd meg, mely szabályok vonatkoznak rád és a listán szereplő emberekre, tömeges üzeneteknél pedig tarts fenn leiratkozási lehetőséget.

Speciális esetek

• Szöveg, ami nem cím. Az olyan karláncok, mint a [email protected], illeszkedhetnek a mintára. Távolíts el mindent, ami fájlkiterjesztésre végződik.
• Címek képen. Először olvasd be a képernyőképet az kép szöveggé alakítása eszközzel, és csak utána nyerj ki belőle címeket. A képernyőkép- és fotóútmutató elmagyarázza, hogyan kapsz tiszta szöveget.
• Rejtett karakterek. Egy szélesség nélküli szóköz a címen belül megtöri az illeszkedést, így a cím kimarad. Ha egy ismert cím hiányzik, a kinyerés előtt távolítsd el a rejtett karaktereket. A rejtett karakterekről szóló útmutató megmutatja, honnan származnak.
• Kódolt címek. Egyes oldalak a címeket HTML-entitásokba rejtik, például @ alakba, ami @ jelet jelent. Előbb dekódold az oldal szövegét, különben a minta nem látja a @ jelet.
• Hosszú exportok. Nagy fájloknál a kinyerést fájlba írd, és ellenőrizd a darabszámot a várt sorok számával.

Rövid válaszok

Miért marad a kinyert e-mail-cím végén pont?

A tartománynevekben pont is megengedett, ezért a pontokat elfogadó minta elkaphatja a mondatot záró pontot is. Minden találatról vedd le a végén álló egy pontot.

Meg tud találni egy eszköz olyan címeket, amelyek „name at example dot com” alakban vannak írva?

Megbízhatóan nem, csereлépés nélkül nem. Előbb alakítsd át a szavakat jelekké, de csak ott, ahol a szöveg egyértelműen cím, hogy a hétköznapi mondatok ne változzanak meg.

Jogszerű minden olyan címnek e-mailt küldeni, amelyet egy weboldalról nyertél ki?

Ez attól függ, hol vagy te és a címzettek, és mi az üzenet tartalma. Spamellenes és adatvédelmi szabályok vonatkoznak rá, ezért előbb nézd meg őket. Ez általános tájékoztatás, nem jogi tanács.