Alle e-mailadressen en links uit rommelige tekst halen

Wil je alle e-mailadressen uit een rommelige webpagina of export halen? Gebruik dan een patroon dat past bij de vorm van een adres en ruim daarna de leestekens op die ernaast staan. Een eenvoudig patroon pakt een punt of komma aan het eind van een zin mee, en het mist adressen die op een verhullende manier zijn geschreven. Controleer de lijst met het oog voordat je hem gebruikt.

E-mailadressen en links halenE-mailadressen uit een pagina halenGratis doen

Waarom eenvoudige patronen misgaan

Een veelgebruikt patroon is een reeks tekens zonder spatie, een @-teken en nog een reeks tekens zonder spatie. Het is makkelijk te schrijven, maar het heeft twee fouten.

Het pakt te veel. In de zin „Contact [email protected], or [email protected].” geeft het patroon „\S+@\S+” als resultaat „[email protected],” met de komma en „[email protected].” met de punt. Dat zijn geen geldige adressen in je lijst, en een mailmerge of spamfilter wijst ze af.

Het pakt te weinig. Adressen die als „ana [at] example [dot] com” of „ana at example dot com” zijn geschreven, worden helemaal niet gevonden. Schrijvers gebruiken deze vorm om scraping te voorkomen, en sommige pagina's doen dat om dezelfde reden. Vervang dus eerst de woorden en haal daarna pas de adressen eruit.

Een beter patroon laat aan de linkerkant alleen tekens toe die in een adres mogen voorkomen, en aan de rechterkant alleen een domein met letters. Het patroon „[\w.+-]+@[\w-]+\.[\w.-]+” is een redelijk begin. Toch kan het een punt na het domein meepakken als het adres het eind van een zin is, omdat het laatste deel van een domein punten toestaat. Haal bij elke match één punt aan het eind weg. De tool e-mailadressen en links halen verwijdert leestekens aan het eind al, dus deze stap is vooral belangrijk als je zelf een patroon schrijft.

Dit levert dat patroon op voor de twee voorbeelden hierboven:

• "Write to [email protected]." geeft "[email protected]." met de punt aan het eind, en die moet weg.
• "Contact [email protected], or [email protected]." geeft "[email protected]" en "[email protected].", dus dezelfde opschoning is nodig.

Links werken op dezelfde manier

URL's hebben hetzelfde probleem. Een link aan het eind van een zin heeft vaak een punt, komma of sluithaakje erachter. Een link tussen haakjes, zoals (zie https://example.com/page), kan het sluithaakje meenemen als het patroon gulzig is. Ruim de leestekens aan het eind op en controleer daarna of elke link in een browser opent.

Links kunnen ook relatief zijn, zoals /contact. Een extractie voor e-mailadressen negeert die. Bepaal of je alleen volledige adressen nodig hebt, en zet dat erbij wanneer je de extractie uitvoert.

Stappen die bij de meeste exports werken

1. Vervang eerst de verhullende vormen met zoeken en vervangen: "[at]" wordt @ en "[dot]" wordt een punt, maar alleen waar je ziet dat de tekst een adres is.
2. Plak de tekst, of de HTML-broncode van de pagina, in Tekst of HTML in de extractietool. Adressen en links worden eruit gehaald en leestekens aan het eind worden verwijderd.
3. Laat Dubbele verwijderen aanstaan. Die negeert hoofdletters in e-mailadressen, dus [email protected] en [email protected] tellen als één adres. Heb je al een lijst, dan doet dubbele regels verwijderen hetzelfde.
4. Vink Sorteren A→Z aan als je de lijst op volgorde wilt hebben.
5. Lees de eindlijst na. Let op waarden die geen adres zijn, zoals bestandsnamen van afbeeldingen die toevallig een @-teken bevatten.

Een voorbeeld: een pagina bevat "Sales: [email protected]", "[email protected]." en "Support: [email protected]". De extractie levert drie matches op. Na het verwijderen van de punt en van duplicaten, zonder op hoofdletters te letten, blijven er twee adressen over: [email protected] en [email protected]. Wil je de lijst op volgorde, vink dan Sorteren A→Z aan in de extractietool of gebruik regels sorteren.

Houd de lijst schoon en legaal

E-mailadressen zijn in veel gevallen persoonsgegevens, en in veel landen gelden regels tegen spam. Een adres van een openbare pagina halen geeft niet automatisch het recht om het te mailen. Regels zoals de AVG (GDPR) van de EU en de CAN-SPAM Act van de VS zijn twee bekende voorbeelden, en ze verschillen in wat ze vereisen. Dit is algemene informatie, geen juridisch advies. Controleer voordat je iets verstuurt welke regels gelden voor jou en voor de mensen op de lijst, en zet bij massamailings altijd een afmeldoptie erin.

Randgevallen

• Tekst die geen adres is. Reeksen zoals [email protected] kunnen matchen. Verwijder alles wat eindigt op een bestandsextensie.
• Adressen in een afbeelding. Lees eerst een screenshot in met de tool afbeelding naar tekst en haal daarna pas de adressen eruit. De gids voor screenshots en foto's legt uit hoe je een schone uitlezing krijgt.
• Verborgen tekens. Een nulbreedtespatie binnen een adres breekt de match, waardoor het adres wordt gemist. Verwijder verborgen tekens vóór de extractie als een bekend adres ontbreekt. De gids over verborgen tekens legt uit waar ze vandaan komen.
• Gecodeerde adressen. Sommige pagina's verbergen adressen in HTML-entiteiten zoals @ voor @. Decodeer eerst de paginatekst, anders ziet het patroon het @-teken niet.
• Lange exports. Haal bij grote bestanden de adressen eruit naar een bestand en vergelijk het aantal met het aantal regels dat je verwacht.

Snelle antwoorden

Waarom staat er aan het eind van mijn e-mailextractie een punt?

Een punt mag binnen een domein voorkomen, dus een patroon dat punten accepteert kan de punt pakken die de zin afsluit. Haal bij elke match één punt aan het eind weg.

Kan een tool adressen vinden die als "name at example dot com" zijn geschreven?

Niet betrouwbaar zonder een vervangstap. Zet de woorden eerst om in tekens, maar alleen waar de tekst duidelijk een adres is, zodat gewone zinnen niet veranderen.

Mag ik elk adres dat ik van een webpagina haal mailen?

Dat hangt af van waar jij en de ontvangers zich bevinden en van wat het bericht is. Regels tegen spam en voor privacy gelden, dus controleer die eerst. Dit is algemene informatie, geen juridisch advies.