Så plockar du ut alla e-postadresser och länkar ur rörig text

För att plocka ut alla e-postadresser ur en rörig sida eller export använder du ett mönster som matchar formen på en adress, och rensar sedan bort skiljetecknen som sitter intill. Ett enkelt mönster fångar med en punkt eller ett kommatecken i slutet av en mening, och det missar adresser som är skrivna på ett dolt sätt. Räkna med att du behöver kontrollera listan med ögat innan du använder den.

Extrahera e-post och länkarHämta e-postadresser från en sidaGör det gratis

Varför enkla mönster går fel

Ett vanligt mönster är en följd av icke-blanksteg, ett @-tecken och ytterligare en följd av icke-blanksteg. Det är lätt att skriva, men det har två problem.

Det matchar för mycket. I meningen “Contact [email protected], or [email protected].” ger mönstret “\S+@\S+” träffen “[email protected],” med kommatecknet, och “[email protected].” med punkten. Det är inga giltiga adresser i din lista, och en utskick eller ett skräppostfilter kommer att underkänna dem.

Det matchar för lite. Adresser skrivna som “ana [at] example [dot] com” eller “ana at example dot com” matchas inte alls. Skribenter använder den här formen för att undvika att adresserna plockas upp automatiskt, och en del sidor gör det av samma skäl. Ersätt orden först och extrahera sedan.

Ett bättre mönster tillåter bara de tecken som en adress kan innehålla före @-tecknet och bara en domän med bokstäver efter. Mönstret “[\w.+-]+@[\w-]+\.[\w.-]+” är en rimlig början. Men det kan ändå behålla en punkt efter domänen när adressen avslutar en mening, eftersom domänens sista del tillåter punkter. Ta bort en avslutande punkt från varje träff. Verktyget extrahera e-postadresser och länkar tar redan bort avslutande skiljetecken, så det här steget är främst viktigt när du skriver ett eget mönster.

Så här blir resultatet för mönstret i de två exemplen ovan:

• “Write to [email protected].” ger “[email protected].” med den avslutande punkten, som måste tas bort.
• “Contact [email protected], or [email protected].” ger “[email protected]” och “[email protected].”, så samma rensning gäller.

Länkar fungerar på samma sätt

URL:er har samma problem. En länk i slutet av en mening har ofta en punkt, ett kommatecken eller en avslutande parentes med sig. En länk inom parentes, till exempel (se https://example.com/page), kan få med sig den avslutande parentesen om mönstret är girigt. Rensa bort avslutande skiljetecken och kontrollera sedan att varje länk öppnas i webbläsaren.

Länkar kan också vara relativa, till exempel /contact, och de ignoreras av en extrahering av e-postadresser. Bestäm om du bara behöver absoluta adresser, och skriv det när du kör extraheringen.

Steg som fungerar på de flesta exporter

1. Ersätt de dolda formerna först, med sök och ersätt: “[at]” blir @ och “[dot]” blir punkt, men bara där du ser att texten är en adress.
2. Klistra in texten, eller html-källkoden för sidan, i fältet Text eller HTML i extraheringsverktyget. Adresser och länkar plockas ut och avslutande skiljetecken tas bort.
3. Behåll kryssrutan Ta bort dubbletter ikryssad. Den ignorerar versaler i e-postadresser, så [email protected] och [email protected] räknas som en. För en lista du redan har gör ta bort dubbla rader samma jobb.
4. Bocka i Sortera A→Z om du vill ha listan i ordning.
5. Gå igenom den färdiga listan. Leta efter värden som inte är adresser, till exempel bildfilnamn som råkar innehålla ett @-tecken.

Ett genomgånget exempel: en sida innehåller “Sales: [email protected]”, “[email protected].” och “Support: [email protected]”. Extraheringen ger tre träffar. Efter att punkten tagits bort och dubbletter tagits bort utan hänsyn till versaler blir resultatet två adresser: [email protected] och [email protected]. Om du vill ha listan i ordning bockar du i Sortera A→Z i extraheringsverktyget, eller använder sortera rader.

Håll listan ren och laglig

E-postadresser är personuppgifter i många sammanhang, och det finns regler mot skräppost i många länder. Att du har fått en adress från en offentlig sida ger dig inte automatiskt rätt att skicka e-post till den. Regler som EU:s GDPR och US CAN-SPAM Act är två välkända exempel, och de skiljer sig åt i vad de kräver. Det här är allmän information, inte juridisk rådgivning. Innan du skickar något ska du kontrollera vilka regler som gäller för dig och för personerna på listan, och ha ett sätt att avregistrera sig vid massutskick.

Specialfall

• Text som inte är en adress. Strängar som [email protected] kan matchas. Ta bort allt som slutar med ett filändelse.
• Adresser i en bild. Läs av en skärmdump först med verktyget bild till text och extrahera sedan från resultatet. Guiden om skärmbilder och foton förklarar hur du får en ren avläsning.
• Osynliga tecken. Ett blanksteg med nollbredd inuti en adress gör att matchningen går sönder, och adressen missas. Ta bort osynliga tecken innan extrahering om en känd adress saknas. Guiden om osynliga tecken förklarar var de kommer ifrån.
• Kodade adresser. Vissa sidor döljer adresser i HTML-entiteter som @ för @. Avkoda sidtexten först, annars ser mönstret inte @-tecknet.
• Långa exporter. För stora filer extraherar du till en fil och kontrollerar antalet mot antalet rader du väntar dig.

Snabba svar

Varför har min e-postextrahering med en punkt i slutet?

En punkt är tillåten inne i en domän, så ett mönster som godkänner punkter kan fånga den punkt som avslutar en mening. Ta bort en avslutande punkt från varje träff.

Kan ett verktyg hitta adresser skrivna som “name at example dot com”?

Inte pålitligt utan ett ersättningssteg. Gör om orden till symboler först, men bara där texten tydligt är en adress, så att vanliga meningar inte ändras.

Är det lagligt att skicka e-post till alla adresser jag extraherat från en webbsida?

Det beror på var du och mottagarna befinner sig, och på vad meddelandet handlar om. Regler mot skräppost och för integritet gäller, så kontrollera dem först. Det här är allmän information, inte juridisk rådgivning.