使用正则表达式抓取电子邮件时无法排除不需要的文件扩展名

Question

我已经使用regular expression在python中编写了一个脚本，以从某些网站获取电子邮件地址。 我使用硒，因为很少有网站是动态的。 但是，只要在这些页面中没有类似于电子邮件的文件扩展名，我的脚本就可以正常工作，例如himalayan-institute-logo@2x.png 。

如何在抓取电子邮件时排除以.png或.jpg结尾的扩展名？

我使用过的正则表达式模式：

[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+

我正在尝试的脚本：

import re
from selenium import webdriver

URLS = (
    'https://www.himalayaninstitute.org/about/',
    'http://www.innovaprint.com.sg/',
    'http://www.cityscape.com.sg/?page_id=37',
    'http://www.yogaville.org',
    )

def get_email(driver,link):
    driver.get(link)
    email = re.findall(r'[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+',driver.page_source)
    if email: 
        print(link,email[0])
    else: 
        print(link)

if __name__ == '__main__':
    chromeOptions = webdriver.ChromeOptions()
    chromeOptions.add_argument("--headless")
    driver = webdriver.Chrome(chrome_options=chromeOptions)
    for url in URLS:
        get_email(driver,url)
    driver.quit()

我有的输出：

https://www.himalayaninstitute.org/about/ himalayan-institute-logo@2x.png
http://www.innovaprint.com.sg/ info@innovacoms.com
http://www.cityscape.com.sg/?page_id=37 info@cityscape.com.sg
http://www.yogaville.org Yantra-@500.png

Answer 1

最后一部分[a-zA-Z0-9-.]+是广泛匹配，没有考虑点的位置。 例如，它也可以匹配.....

一种可能是仍然使用模式的第一部分[a-zA-Z0-9_.+-]+@进行匹配，包括@符号。

然后使用正向前瞻断言右边的内容不以.png或.jpg结尾，并匹配点至少在1个非点字符之间的模式。

[a-zA-Z0-9_.+-]+@[a-zA-Z0-9]+(?:\.[a-zA-Z0-9]+)*(?!\.(?:png|jpg))\.[a-zA-Z0-9]+

说明

• [a-zA-Z0-9_.+-]+@允许匹配的字符后跟@
• [a-zA-Z0-9]+匹配角色类中列出的任何一个
• (?:非捕获组
  • \\.[a-zA-Z0-9]+匹配一个点，后跟1+倍字符类中列出的值
• )*关闭非捕获组并重复0次以上
• (?!负向前看，断言以下内容不是
  • \\.(?:png|jpg)匹配.png或.jog
• )\\.[a-zA-Z0-9]+关闭并匹配1+次点和字符类中列出的内容

正则表达式演示