Jak wyciągnąć wszystkie adresy e-mail i linki z chaotycznego tekstu

Aby wyciągnąć wszystkie adresy e-mail z chaotycznej strony lub eksportu, użyj wzorca pasującego do budowy adresu, a potem usuń znaki interpunkcyjne przylegające do niego. Prosty wzorzec łapie kropkę lub przecinek na końcu zdania i pomija adresy zapisane w zakamuflowany sposób. Listę warto sprawdzić wzrokiem, zanim jej użyjesz.

Wyciąganie e-maili i linkówWyciągnij e-maile ze stronyZrób to za darmo

Dlaczego proste wzorce zawodzą

Częsty wzorzec to ciąg znaków niebędących spacją, znak @ i kolejny ciąg znaków niebędących spacją. Jest łatwy do napisania, ale ma dwie wady.

Łapie za dużo. W zdaniu „Napisz do [email protected], lub do [email protected].” wzorzec „\S+@\S+” zwróci „[email protected],” z przecinkiem oraz „[email protected].” z kropką. To nie są poprawne adresy na liście i scalanie korespondencji lub filtr antyspamowy je odrzucą.

Łapie za mało. Adresy zapisane jako „ana [at] example [dot] com” albo „ana at example dot com” w ogóle nie zostaną znalezione. Autorzy używają takiej formy, żeby uniknąć automatycznego zbierania adresów, a niektóre strony robią to z tego samego powodu. Najpierw zamień te słowa, a dopiero potem wyciągaj adresy.

Lepszy wzorzec dopuszcza po lewej stronie tylko znaki, jakie może zawierać adres, a po prawej tylko domenę złożoną z liter. Wzorzec „[\w.+-]+@[\w-]+\.[\w.-]+” to rozsądny punkt wyjścia. Mimo to może zostawić kropkę po domenie, gdy adres kończy zdanie, bo ostatnia część domeny dopuszcza kropki. Usuń jedną kropkę z końca każdego wyniku. Narzędzie wyodrębnianie e-maili i linków już usuwa końcową interpunkcję, więc ten krok ma znaczenie głównie wtedy, gdy piszesz własny wzorzec.

Oto, co ten wzorzec zwraca dla dwóch powyższych przykładów:

• „Napisz do [email protected].” daje „[email protected].” z końcową kropką, którą trzeba usunąć.
• „Napisz do [email protected], lub do [email protected].” daje „[email protected]” i „[email protected].”, więc obowiązuje to samo czyszczenie.

Linki zachowują się tak samo

Adresy URL mają ten sam problem. Link na końcu zdania często ma kropkę, przecinek lub zamykający nawias. Link w nawiasie, na przykład (zobacz https://example.com/page), może złapać zamykający nawias, jeśli wzorzec jest zachłanny. Oczyść końcową interpunkcję, a potem sprawdź, czy każdy link otwiera się w przeglądarce.

Linki mogą być też względne, na przykład /contact, których wyodrębnianie adresów e-mail nie uwzględni. Zdecyduj, czy potrzebujesz wyłącznie adresów bezwzględnych, i zaznacz to, uruchamiając wyodrębnianie.

Kroki, które działają w większości eksportów

1. Najpierw zamień zakamuflowane formy za pomocą znajdź i zamień: „[at]” na @ i „[dot]” na kropkę, ale tylko tam, gdzie widać, że tekst jest adresem.
2. Wklej tekst albo kod HTML strony do pola Tekst lub HTML w narzędziu do wyodrębniania. Adresy i linki zostaną wyłapane, a końcowa interpunkcja usunięta.
3. Zostaw zaznaczone Usuń duplikaty. Ignoruje ono wielkość liter w adresach e-mail, więc [email protected] i [email protected] liczą się jako jeden. Dla listy, którą już masz, usuń zduplikowane linie wykona to samo zadanie.
4. Zaznacz Sortuj A→Z, jeśli chcesz mieć listę w porządku alfabetycznym.
5. Przejrzyj gotową listę. Szukaj wartości, które nie są adresami, na przykład nazw plików graficznych zawierających znak @.

Przykład: strona zawiera „Sales: [email protected]”, „[email protected].” oraz „Support: [email protected]”. Wyodrębnianie zwraca trzy wyniki. Po usunięciu kropki i usunięciu duplikatów bez względu na wielkość liter zostają dwa adresy: [email protected] i [email protected]. Jeśli chcesz mieć listę posortowaną, zaznacz Sortuj A→Z w narzędziu do wyodrębniania albo użyj sortowania wierszy.

Dbaj o czystość i zgodność z prawem listy

Adresy e-mail są w wielu miejscach danymi osobowymi, a przepisy antyspamowe obowiązują w wielu krajach. Zebranie adresu ze strony publicznej nie daje automatycznie prawa do wysyłania na niego wiadomości. Dobrze znane przykłady to RODO w Unii Europejskiej i amerykańska ustawa CAN-SPAM, które różnią się wymaganiami. To informacja ogólna, a nie porada prawna. Zanim wyślesz cokolwiek, sprawdź przepisy obowiązujące tobie i osobom z listy, a przy wiadomościach masowych zapewnij możliwość rezygnacji z subskrypcji.

Przypadki szczególne

• Tekst, który nie jest adresem. Ciągi takie jak [email protected] mogą zostać złapane. Usuń wszystko, co kończy się rozszerzeniem pliku.
• Adresy na obrazku. Najpierw odczytaj zrzut ekranu za pomocą narzędzia obraz na tekst, a potem wyodrębnij adresy z wyniku. Przewodnik zrzuty ekranu i zdjęcia wyjaśnia, jak uzyskać czysty odczyt.
• Ukryte znaki. Znak spacji o zerowej szerokości w adresie przerywa dopasowanie, więc adres zostaje pominięty. Jeśli znany adres nie pojawia się na liście, usuń ukryte znaki przed wyodrębnianiem. Przewodnik ukryte znaki w tekście wyjaśnia, skąd się biorą.
• Zakodowane adresy. Niektóre strony ukrywają adresy w encjach HTML, takich jak @ zamiast @. Najpierw zdekoduj tekst strony, bo inaczej wzorzec nie zobaczy znaku @.
• Długie eksporty. Przy dużych plikach wyodrębnij dane do pliku i porównaj liczbę wyników z liczbą wierszy, której się spodziewasz.

Szybkie odpowiedzi

Dlaczego wyodrębnione e-maile mają kropkę na końcu?

Kropka jest dozwolona wewnątrz domeny, więc wzorzec akceptujący kropki może złapać tę, która kończy zdanie. Usuń jedną kropkę z końca każdego wyniku.

Czy narzędzie znajdzie adresy zapisane jako „nazwa at example dot com”?

Niezawodnie nie, bez kroku zamiany. Najpierw zamień słowa na symbole, ale tylko tam, gdzie tekst wyraźnie jest adresem, aby zwykłe zdania nie zostały zmienione.

Czy wolno wysłać wiadomość na każdy adres wyodrębniony ze strony internetowej?

Zależy to od tego, gdzie znajdujesz się ty i odbiorcy oraz czego dotyczy wiadomość. Obowiązują przepisy antyspamowe i o ochronie prywatności, więc sprawdź je najpierw. To informacja ogólna, a nie porada prawna.