忽略不完全匹配正则表达式的字符串？

Question

我想使用正则表达式返回电子邮件的所有收件人。 例如：

Date: Wed, 6 Dec 2000 02:03:00 -0800 (PST)
From: donald.herrick@enron.com
To: brianherrick@email.msn.com, herriceu2@tdprs.state.tx.us, 
    robertherrick@bankunited.com, kristi.demaiolo@enron.com, 
    suresh.raghavan@enron.com, harry.arora@enron.com
Subject: FW: If Santa Answered his mail...
Mime-Version: 1.0
Content-Type: text/plain; charset=us-ascii
Content-Transfer-Encoding: 7bit
X-From: Donald W Herrick
X-To: brianherrick@email.msn.com, HERRICEU2@tdprs.state.tx.us, RobertHerrick@bankunited.com, Kristi Demaiolo, Suresh Raghavan, Harry Arora
X-cc: 
X-bcc: 

应该返回（从“收件人：”行） brianherrick @ email.msn.com，herriceu2 @ tdprs.state.tx.us，robertherrick @ bankunited.com，kristi.demaiolo @ enron.com，suresh.raghavan @ enron.com ，harry.arora @ enron.com

但不是 （来自“ X-To：”行） brianherrick @ email.msn.com，HERRICEU2 @ tdprs.state.tx.us，RobertHerrick @ bankunited.com 。

我当前的正则表达式是re.findall([To:\\s][\\w\\.-]+@[\\w\\.-]+, text) ，它返回“ To：”，“ X-To：”中的所有内容和“发件人：”行。

我的问题：

1. 为什么还返回“发件人：”行上的电子邮件地址？ 它与正则表达式的[To:\\s]部分不匹配？
2. 如何确保仅返回“收件人：”之后的电子邮件地址？ （也就是说，如何排除“ X-To：”之后的电子邮件地址？我认为您可以为此使用先行断言，但是我不确定该怎么做？

Answer 1

作为@MartijnPieters答案的附录，正则表达式可能不是JOB的正确工具。 要解析电子邮件，建议使用email.parser

>>> from email.parser import Parser
>>> headers = Parser().parsestr(email_str)
>>> pprint.pprint(map(str.strip, headers['to'].split()))
['brianherrick@email.msn.com,',
 'herriceu2@tdprs.state.tx.us,',
 'robertherrick@bankunited.com,',
 'kristi.demaiolo@enron.com,',
 'suresh.raghavan@enron.com,',
 'harry.arora@enron.com']

Answer 2

您误解了角色类的作用； 您随时随地模式相匹配的字符串包含一个T ， o ， :或空白字符。

这是因为[To:\\s]一个字符类建模，集合中的任何一个字符都将匹配。 这就是为什么您的From:行匹配； :和d之间的空格在这里就足够了。

如果您需要验证整个标题名称，请使用^将匹配项锚定到行的开头，但删除该字符类：

r'^To:\s+[\w\.-]+@[\w\.-]+'

现在，如果使用re.MULTILINE标志，则To:部分仅在行的开头才匹配：

>>> import re
>>> text = '''\
... Date: Wed, 6 Dec 2000 02:03:00 -0800 (PST)
... From: donald.herrick@enron.com
... To: brianherrick@email.msn.com, herriceu2@tdprs.state.tx.us, 
...     robertherrick@bankunited.com, kristi.demaiolo@enron.com, 
...     suresh.raghavan@enron.com, harry.arora@enron.com
... Subject: FW: If Santa Answered his mail...
... Mime-Version: 1.0
... Content-Type: text/plain; charset=us-ascii
... Content-Transfer-Encoding: 7bit
... X-From: Donald W Herrick
... X-To: brianherrick@email.msn.com, HERRICEU2@tdprs.state.tx.us, RobertHerrick@bankunited.com, Kristi Demaiolo, Suresh Raghavan, Harry Arora
... X-cc: 
... X-bcc: 
... '''
>>> re.findall(r'^To:\s+[\w\.-]+@[\w\.-]+', text)
[]
>>> re.findall(r'^To:\s+[\w\.-]+@[\w\.-]+', text, flags=re.M)
['To: brianherrick@email.msn.com']

这只能匹配第一个电子邮件地址，并且不包含全名（例如Brian Herrick <brianherrick@email.msn.com> ）。

您必须匹配整个标题 ：

re.findall(r'^To:\s+((?:.*(?:\n[ \t]+)?)*)', text, flags=re.M)

这与To:头匹配，后跟任意数量的头连续行（以空格开头）：

>>> re.findall(r'^To:\s+((?:.*(?:\n[ \t]+)?)*)', text, flags=re.M)
['brianherrick@email.msn.com, herriceu2@tdprs.state.tx.us, \n    robertherrick@bankunited.com, kristi.demaiolo@enron.com, \n    suresh.raghavan@enron.com, harry.arora@enron.com']

并且您必须分别提取电子邮件地址。

就我个人而言，我将研究email包 ，这将使抓取标头变得更加容易：

import email

message = email.message_from_string(text)
to_headers = message.get_all('to')
addresses = email.utils.getaddresses(to_headers)

演示：

>>> import email
>>> m = email.message_from_string(text)
>>> m.get_all('to')
['brianherrick@email.msn.com, herriceu2@tdprs.state.tx.us, \n    robertherrick@bankunited.com, kristi.demaiolo@enron.com, \n    suresh.raghavan@enron.com, harry.arora@enron.com']
>>> email.utils.getaddresses(m.get_all('to'))
[('', 'brianherrick@email.msn.com'), ('', 'herriceu2@tdprs.state.tx.us'), ('', 'robertherrick@bankunited.com'), ('', 'kristi.demaiolo@enron.com'), ('', 'suresh.raghavan@enron.com'), ('', 'harry.arora@enron.com')]

现在，您拥有了所有的电子邮件地址。

当使用正则表达式时，也可以应用email.utils.getaddresses()函数 ：

>>> email.utils.getaddresses(re.findall(r'^To:\s+((?:.*(?:\n[ \t]+)?)*)', text, flags=re.M))
[('', 'brianherrick@email.msn.com'), ('', 'herriceu2@tdprs.state.tx.us'), ('', 'robertherrick@bankunited.com'), ('', 'kristi.demaiolo@enron.com'), ('', 'suresh.raghavan@enron.com'), ('', 'harry.arora@enron.com')]

Answer 3

regex模块：无限向后看及其他功能

如果要使用正则表达式，建议您使用出色的regex模块，而不要使用re 。 此正则表达式将返回所有匹配项：

(?<=(?<!X\S+)To:\s*(?:[^@\s]+@[^\,\s]+,\s*)*?)[^@\s]+@[^\,\s]+

样例代码

我在Python 3.4中对此进行了测试。

import regex
subject = """Date: Wed, 6 Dec 2000 02:03:00 -0800 (PST)
From: donald.herrick@enron.com
To: brianherrick@email.msn.com, herriceu2@tdprs.state.tx.us, 
    robertherrick@bankunited.com, kristi.demaiolo@enron.com, 
    suresh.raghavan@enron.com, harry.arora@enron.com
Subject: FW: If Santa Answered his mail...
Mime-Version: 1.0
Content-Type: text/plain; charset=us-ascii
Content-Transfer-Encoding: 7bit
X-From: Donald W Herrick
X-To: brianherrick@email.msn.com, HERRICEU2@tdprs.state.tx.us, RobertHerrick@bankunited.com, Kristi Demaiolo, Suresh Raghavan, Harry Arora
X-cc: 
X-bcc: """
pattern = "(?<=(?<!X\S+)To:\s*(?:[^@\s]+@[^\,\s]+,\s*)*?)[^@\s]+@[^\,\s]+"

for match in regex.finditer(pattern, subject):
    print(match.group())

产量

brianherrick@email.msn.com
herriceu2@tdprs.state.tx.us
robertherrick@bankunited.com
kristi.demaiolo@enron.com
suresh.raghavan@enron.com
harry.arora@enron.com

说明

• 我们后面有一个很大的回望，然后是一个非常基本的电子邮件匹配器： [^@\\s]+@[^\\,\\s]+ ，它匹配不是arrobas或空白字符的任何字符，然后是arrobas，然后是不是逗号或空格字符（输入中的电子邮件结尾定界符）
• 如果需要，可以用更复杂的电子邮件正则表达式代替该电子邮件匹配器
• 现在到后面的大表情``（？<=（？
• 第一部分(?<!X-)To:\\s*与To:匹配，只要不以Xsomething ，就由否定的后向(?<!X-)断言
• 非捕获组(?:[^@\\s]+@[^\\,\\s]+,\\s*)*? 匹配表达式[^@\\s]+@[^\\,\\s]+,\\s*所需的数量（ *? ）以允许后面的匹配。 这是一个“电子邮件跳过程序”，我们可以在每次匹配时逐渐跳过越来越多的电子邮件
• [^@\\s]+@[^\\,\\s]+,\\s*只是简单的电子邮件，后跟一个逗号和可选的空格字符（ \\s不仅匹配空格，而且还匹配回车符，制表符等。）