Cum extragi toate adresele de e-mail și linkurile dintr-un text dezordonat

Ca să scoți toate adresele de e-mail dintr-o pagină sau dintr-un export dezordonat, folosește un șablon care se potrivește cu forma unei adrese, apoi curăță semnele de punctuație de lângă ea. Un șablon simplu ia și punctul sau virgula de la sfârșitul unei propoziții și ratează adresele scrise în formă ascunsă. Te aștepți să verifici lista cu ochii înainte să o folosești.

Extrage adrese de e-mail și linkuriScoate e-mailurile dintr-o paginăÎncearcă gratuit

De ce greșesc șabloanele simple

Un șablon frecvent este o succesiune de caractere fără spații, apoi un semn @, apoi o altă succesiune de caractere fără spații. Este ușor de scris și are două defecte.

Prinde prea mult. În propoziția „Contact [email protected], or [email protected].”, șablonul „\S+@\S+” returnează „[email protected],” cu virgula și „[email protected].” cu punctul final. Acestea nu sunt adrese valide în lista ta, iar un mail merge sau un filtru antispam le va respinge.

Prinde prea puțin. Adresele scrise ca „ana [at] example [dot] com” sau „ana at example dot com” nu sunt prinse deloc. Oamenii folosesc această formă ca să evite colectarea automată, iar unele pagini o folosesc din același motiv. Înlocuiește mai întâi cuvintele, apoi extrage.

Un șablon mai bun permite doar caracterele pe care le poate avea o adresă în stânga și doar un domeniu format din litere în dreapta. Șablonul „[\w.+-]+@[\w-]+\.[\w.-]+” este un punct de plecare rezonabil. Chiar și așa, poate păstra un punct după domeniu atunci când adresa încheie o propoziție, pentru că ultima parte a domeniului acceptă puncte. Elimină un singur punct final din fiecare potrivire. Instrumentul extrage adrese de e-mail și linkuri elimină deja punctuația de la sfârșit, deci pasul acesta contează mai ales când scrii propriul șablon.

Iată ce returnează acest șablon pentru cele două exemple de mai sus:

• „Write to [email protected].” dă „[email protected].” cu punctul final, care trebuie eliminat.
• „Contact [email protected], or [email protected].” dă „[email protected]” și „[email protected].”, deci se aplică aceeași curățare.

Linkurile funcționează la fel

URL-urile au aceeași problemă. Un link de la sfârșitul unei propoziții are adesea un punct, o virgulă sau o paranteză închisă. Un link între paranteze, cum ar fi (vezi https://example.com/page), poate prelua paranteza de închidere dacă șablonul este lacom. Curăță punctuația de la sfârșit, apoi verifică dacă fiecare link se deschide într-un browser.

Linkurile pot fi și relative, cum ar fi /contact, pe care o extragere de adrese de e-mail le va ignora. Hotărăște dacă ai nevoie doar de adrese absolute și precizează asta când rulezi extragerea.

Pași care funcționează pe majoritatea exporturilor

1. Înlocuiește mai întâi formele ascunse, cu găsire și înlocuire: „[at]” devine @ și „[dot]” devine punct, dar doar acolo unde se vede că textul este o adresă.
2. Lipește textul, sau codul sursă HTML al paginii, în câmpul Text sau HTML din instrumentul de extragere. Adresele și linkurile sunt selectate, iar punctuația de la sfârșit este eliminată.
3. Lasă bifată opțiunea Elimină duplicatele. Ignoră majusculele din adresele de e-mail, deci [email protected] și [email protected] se numără o singură dată. Pentru o listă pe care o ai deja, șterge rândurile duplicate face același lucru.
4. Bifează Sortare A→Z dacă vrei lista în ordine.
5. Citește lista finală. Caută valori care nu sunt adrese, cum ar fi nume de fișiere de imagine care au întâmplător un semn @.

Un exemplu pas cu pas: o pagină conține „Sales: [email protected]”, „[email protected].” și „Support: [email protected]”. Extragerea returnează trei potriviri. După ce elimini punctul final și scoți duplicatele fără a ține cont de majuscule, rezultatul sunt două adrese: [email protected] și [email protected]. Dacă vrei lista în ordine, bifează Sortare A→Z în extractor sau folosește sortare rânduri.

Păstrează lista curată și legală

Adresele de e-mail sunt date personale în multe locuri, iar regulile împotriva spamului există în multe țări. Faptul că ai luat o adresă dintr-o pagină publică nu te autorizează automat să îi scrii. Regulile precum GDPR din UE și CAN-SPAM Act din SUA sunt două exemple bine cunoscute, iar ele diferă prin ce cer. Aceste informații sunt generale, nu consultanță juridică. Înainte să trimiți ceva, verifică regulile care se aplică ție și persoanelor de pe listă și păstrează o opțiune de dezabonare pentru mesajele în masă.

Cazuri speciale

• Text care nu este o adresă. Șiruri precum [email protected] pot fi potrivite. Elimină orice se termină cu o extensie de fișier.
• Adrese în imagine. Citește mai întâi o captură de ecran cu instrumentul imagine în text, apoi extrage din rezultat. Ghidul pentru capturi de ecran și fotografii explică cum obții o citire curată.
• Caractere ascunse. Un spațiu de lățime zero în interiorul unei adrese rupe potrivirea, iar adresa se pierde. Elimină caracterele ascunse înainte de extragere dacă lipsește o adresă cunoscută. Ghidul despre caractere ascunse explică de unde provin.
• Adrese codificate. Unele pagini ascund adresele în entități HTML, cum ar fi @ pentru @. Decodează mai întâi textul paginii, altfel șablonul nu va vedea semnul @.
• Exporturi mari. Pentru fișiere mari, extrage într-un fișier și compară numărul de rezultate cu numărul de rânduri pe care te aștepți să le ai.

Răspunsuri rapide

De ce include extragerea mea de e-mail un punct la sfârșit?

Un punct este permis în interiorul unui domeniu, deci un șablon care acceptă puncte poate prinde punctul care încheie o propoziție. Elimină un singur punct final din fiecare potrivire.

Poate un instrument să găsească adrese scrise ca „nume at example dot com”?

Nu sigur, fără un pas de înlocuire. Transformă mai întâi cuvintele în simboluri, dar doar acolo unde textul este clar o adresă, ca propozițiile obișnuite să nu fie modificate.

Este legal să trimit un e-mail fiecărei adrese extrase de pe o pagină web?

Depinde de unde te afli tu și destinatarii și de ce conține mesajul. Se aplică reguli împotriva spamului și de confidențialitate, deci verifică-le mai întâi. Aceste informații sunt generale, nu consultanță juridică.