从大型文档中提取电子邮件子字符串

Posted 2023-02-01

我有一个非常大的.txt文件，其中包含数十万个电子邮件地址。他们都采用以下格式：

...<[e-mail]>...

让Python在整个.txt文件中循环查找某个@domain字符串的所有实例，然后在<...>中获取整个地址，并将其添加到的最佳方法是什么？一个列表？我遇到的麻烦是不同地址的可变长度。

答案

此code以字符串形式提取电子邮件地址。逐行阅读时使用它

>>> import re
>>> line = "should we use regex more often? let me know at  [e-mail]"
>>> match = re.search(r'[\w\.-]+@[\w\.-]+', line)
>>> match.group(0)
'[e-mail]'

如果您有多个电子邮件地址，请使用findall：

>>> line = "should we use regex more often? let me know at  [e-mail]"
>>> match = re.findall(r'[\w\.-]+@[\w\.-]+', line)
>>> match
['[e-mail]', '[e-mail]']

---

上面的正则表达式可能找到最常见的非假电子邮件地址。如果您想与RFC 5322完全一致，您应该检查哪些电子邮件地址符合规范。检查this以避免在正确查找电子邮件地址时出现任何错误。

---

编辑：正如@kostek的评论中所建议的：在字符串Contact us at [e-mail].中，我的正则表达式返回[e-mail]。 （最后带点）。为避免这种情况，请使用[\w\.,]+@[\w\.,]+\.\w+)

编辑II：评论中提到了另一个奇妙的改进：[\w\.-]+@[\w\.-]+\.\w+，它也将捕获[e-mail]。

另一答案

您还可以使用以下内容查找文本中的所有电子邮件地址，并将它们以阵列形式打印，或者将每封电子邮件打印在单独的行中。

import re
line = "why people don't know what regex are? let me know [e-mail], [e-mail] " \
       "[e-mail],[e-mail]"
match = re.findall(r'[\w\.-]+@[\w\.-]+', line)
for i in match:
    print(i)

如果要将其添加到列表中，只需打印“匹配”

this will print the list

print(match)

---

希望这可以帮助。

另一答案

如果您正在寻找特定域名：

>>> import re
>>> text = "this is an email [e-mail], it will be matched, [e-mail] will not, and [e-mail] will"
>>> match = re.findall(r'[\w-\._\+%]+@test\.com',text) # replace test\.com with the domain you're looking for, adding a backslash before periods
>>> match
['[e-mail]', '[e-mail]']

另一答案

import re
rgx = r'(?:\.?)([\w\-_+#~!$&\'\.]+(?<!\.)(@|[ ]?\(?[ ]?(at|AT)[ ]?\)?[ ]?)(?<!\.)[\w]+[\w\-\.]*\.[a-zA-Z-]2,3)(?:[^\w])'
matches = re.findall(rgx, text)
get_first_group = lambda y: list(map(lambda x: x[0], y))
emails = get_first_group(matches)

请不要因为这个臭名昭着的正则表达式而讨厌我。正则表达式适用于下面显示的相当一部分电子邮件地址。我主要使用this as my basis作为电子邮件地址中的有效字符。

随意到play around with it here

I also made a variation正则表达式捕获像name at example.com这样的电子邮件

(?:\.?)([\w\-_+#~!$&\'\.]+(?<!\.)(@|[ ]\(?[ ]?(at|AT)[ ]?\)?[ ])(?<!\.)[\w]+[\w\-\.]*\.[a-zA-Z-]2,3)(?:[^\w])

另一答案

import re
with open("file_name",'r') as f:
    s = f.read()
    result = re.findall(r'\S+@\S+',s)
    for r in result:
        print(r)

另一答案

这是针对这个特定问题的另一种方法，来自emailregex.com的正则表达式：

text = "blabla <[e-mail]>><[e-mail]> <huhu@fake> bla bla <[e-mail]>"

# 1. find all potential email addresses (note: < inside <> is a problem)
matches = re.findall('<\S+?>', text)  # ['<[e-mail]>', '<[e-mail]>', '<huhu@fake>', '<[e-mail]>']

# 2. apply email regex pattern to string inside <>
emails = [ x[1:-1] for x in matches if re.match(r"(^[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+$)", x[1:-1]) ]
print emails   # ['[e-mail]', '[e-mail]', '[e-mail]']

另一答案

import re 
txt = 'hello from [e-mail] to [e-mail] about the meeting @2PM'
email  =re.findall('\S+@\S+',s)
print(email)

印刷输出：

['[e-mail]', '[e-mail]']