电子邮件提取以不需要的字符开始和结束（python）

Question

所以我有一个程序可以提取电子邮件和电话号码。 我跑了，电话号码很好。 但是，这些电子邮件将继续导致：例如：3465Usjohnson@astate.eduUProvost而不是sjohnson@astate.edu正在从中提取的环绕文本：870-972-3465Usjohnson@astate.eduUProvost和副总理博士。 Lynita Cooksey870-972-2 030 870-972-2036Ulcooksey@astate.edu

在实际的PDF中，有白色和空白，但是在复制和粘贴时，它们之间没有空格，因此也没有我收到的电子邮件。（看起来像是： 在此处输入图片说明

#! python 3

import re, pyperclip

# Regex for phone numbers
phoneRegex = re.compile(r'''
# 860-555-3951, 555-3951, (860) 555-3951, 555-3951 ext 12345, ext. 12345, x12345
(
((\d\d\d)|(\(\d\d\d\)))?    #area code (optional)
(\s|-)              #first seperator
\d\d\d              #first 3 digits
-                   #second seperator
\d\d\d\d            #last 4 digits
(((ext(\.)?\s)|x)   #Extension-words (optional)
(\d{2,5}))?         #Extension - numbers (optional)
)
''', re.VERBOSE)


#Regex for Emails
emailRegex = re.compile(r'''
#some._+thing@(/d{2,5}))?.com

[a-zA-Z0-9_.+]+   #Name part 
@    #@ symbol
[a-zA-Z0-9_.+]+ #domain


''', re.VERBOSE)


#pyperclip get text off 
text = pyperclip.paste()



#extract
extractedPhone = phoneRegex.findall(text)
extractedEmail = emailRegex.findall(text)

allPhoneNumbers = []
for phoneNumber in extractedPhone:
    allPhoneNumbers.append(phoneNumber[0])


#copy to clipboard
results = '\n'.join(allPhoneNumbers) + '\n'.join(extractedEmail)
pyperclip.copy(results)

Answer 1

因为我没有原始文本，所以我将使用您示例中的字符串。

看看以下两个正则表达式是否适合您。 我还包括一个更精确的三分之一。

'(?<=\\dU)[\\w]+@[\\w\\.]+?(?=U|\\s|$)'

。

'(?<=\\dU)[\\w]+@[\\w]+\\.[\\w]+?(?=U|\\s|$)'

。

示例测试

>>> import re


>>> string = '''3465Usjohnson@astate.eduUProvost instead of sjohnson@astate.edu The surround text that it is being extracted from: 870-972-3465Usjohnson@astate.eduUProvost and Vice ChancellorDr. Lynita Cooksey870-972-2 030 870-972-2036Ulcooksey@astate.edu'''


>>> re.findall('(?<=\dU)[\w]+@[\w\.]+?(?=U|\s|$)', string)

#Output
['sjohnson@astate.edu', 'sjohnson@astate.edu', 'lcooksey@astate.edu']




>>> re.findall('(?<=\dU)[\w]+@[\w]+\.[\w]+?(?=U|\s|$)', string)

#Output
['sjohnson@astate.edu', 'sjohnson@astate.edu', 'lcooksey@astate.edu']

。

更准确一点，因为电子邮件都以.edu

'(?<=\\dU)[\\w]+@[\\w]*\\.edu(?=U|\\s|$)'

。

示例测试

>>> string = '''3465Usjohnson@astate.eduUProvost instead of sjohnson@astate.edu The surround text that it is being extracted from: 870-972-3465Usjohnson@astate.eduUProvost and Vice ChancellorDr. Lynita Cooksey870-972-2 030 870-972-2036Ulcooksey@astate.edu'''


>>> re.findall('(?<=\dU)[\w]+@[\w]*\.edu(?=U|\s|$)', string)

#Output
['sjohnson@astate.edu', 'sjohnson@astate.edu', 'lcooksey@astate.edu']

Answer 2

我自己是Python新手。 如果文本是从' astate.edu '网站专门提取的，我想你可以使用这个正则表达式：

text='70-972-3465Usjohnson@astate.eduUProvost and Vice ChancellorDr. Lynita Cooksey870-972-2 030 870-972-2036Ulcooksey@astate.edu'    
import re
email= re.findall('[a-z]+\@\w+\.edu',text)
#output
['sjohnson@astate.edu', 'lcooksey@astate.edu']

祝好运！