Python正则表达式可删除破折号之间的捕获电子邮件，或忽略以.jpg等结尾的电子邮件
[英]Python regex to remove capture email between dashes or ignore emails ending with .jpg etc
问题描述
I am trying to figure out how to improve the regex to only get emails not ending with ".jpg" and to remove -- from both left and right part of the emails if any is found. 
我试图弄清楚如何改进正则表达式，使其仅接收不以".jpg"结尾的emails ，并从邮件的左右两侧删除--如果发现）。 Example parameter as source which is a string. 作为source示例参数，它是一个字符串。
<html>
<body>
<p>aaa@example.jpg</p>
<p>--bbb@example.com--</p>
<p>ccc@example.com--</p>
<p>--ddd@example.com</p>
</body>
</html>
The result should contain: bbb@example.com, ccc@example.com, ddd@example.com So basically, I want to see anyway to improve this function so the regex would could produce emails without -- and if possible improve the if not email[0].endswith('.png') in case i want to add more, this could look urgly. 结果应包含： bbb @ example.com，ccc @ example.com，ddd @ example.com因此，基本上，我想无论如何都希望改进此功能，以便regex可以生成不带电子邮件的电子邮件-如果可能，可以改善if not email[0].endswith('.png') ，以防万一我想添加更多，这看起来很紧急。
def extract_emails(source):
regex = re.compile(r'([\w\-\.]{1,100}@(\w[\w\-]+\.)+[\w\-]+)')
emails = list(set(regex.findall(source.decode("utf8"))))
all_emails = []
for email in emails:
if not email[0].endswith('.png') and not email[0].endswith('.jpg') \
and not email[0].endswith('.gif') and not email[0].endswith('.rar')\
and not email[0].endswith('.zip') and not email[0].endswith('.swf'):
all_emails.append(email[0].lower())
return list(set(all_emails))
3 个解决方案
解决方案1
2 2015-12-03 10:39:30
I think top level domains are few so you can use alternation 我认为顶级域名很少，因此您可以使用alternation域名
s="""<html>
<body>
<p>aaa@example.jpg</p>
<p>--bbb@example.com--</p>
<p>ccc@example.com--</p>
<p>--ddd@example.com</p>
</body>
</html>"""
print re.findall(r"-*([\w\.]{1,100}@\w[\w\-]+\.+com|biz|us|bd)-*",s)
['bbb@example.com', 'ccc@example.com', 'ddd@example.com']
or try \\w+@\\w+\\.(?!jpg|png)\\w+\\.*\\w* 或尝试\\w+@\\w+\\.(?!jpg|png)\\w+\\.*\\w*
s="""<html>
<body>
<p>aaa@example.jpg</p>
<p>--bbb@example.com--</p>
<p>ccc@example.com--</p>
<p>--ddd@example.com</p>
</body>
</html>"""
print re.findall(r"\w+@\w+\.(?!jpg|png)\w+\.*\w*",s)
It is very hard to set constant regex for email verification- Details for email validation go at Using a regular expression to validate an email address it has 69 answers. 为电子邮件验证设置常量正则表达式非常困难-有关电子邮件验证的详细信息，请参见使用正则表达式来验证具有69个答案的电子邮件地址 。
解决方案2
1 已采纳 2015-12-03 10:41:47
x="""<html>
<body>
<p>aaa@example.jpg</p>
<p>--bbb@example.com--</p>
<p>ccc@example.com--</p>
<p>--ddd@example.com</p>
</body>
</html>"""
print re.findall(r"-*([\w\-\.]{1,100}@(?:\w[\w\-]+\.)+(?!jpg)[\w]+)-*",x)
Output: ['bbb@example.com', 'ccc@example.com', 'ddd@example.com'] 输出： ['bbb@example.com', 'ccc@example.com', 'ddd@example.com']
解决方案3
0 2015-12-03 10:46:54
The best way to do this is using html parser like BeautifulSoup 最好的方法是使用HTML解析器，例如BeautifulSoup
In [37]: from bs4 import BeautifulSoup
In [38]: soup = BeautifulSoup('''<html>
....: <body>
....: <p>aaa@example.jpg</p>
....: <p>--bbb@example.com--</p>
....: <p>ccc@example.com--</p>
....: <p>--ddd@example.com</p>
....:
....: </body>
....: </html>''', 'lxml')
In [39]: [email.strip('-') for email in soup.stripped_strings if not email.endswith('.jpg')]
Out[39]: ['bbb@example.com', 'ccc@example.com', 'ddd@example.com']
声明:本站的技术帖子网页，遵循CC BY-SA 4.0协议，如果您需要转载，请注明本站网址或者原文地址。任何问题请咨询:yoyou2525@163.com.