Python正則表達式可刪除破折號之間的捕獲電子郵件，或忽略以.jpg等結尾的電子郵件
[英]Python regex to remove capture email between dashes or ignore emails ending with .jpg etc
問題描述
我試圖弄清楚如何改進正則表達式，使其僅接收不以".jpg"結尾的emails ，並從郵件的左右兩側刪除--如果發現）。 作為source示例參數，它是一個字符串。
<html>
<body>
<p>aaa@example.jpg</p>
<p>--bbb@example.com--</p>
<p>ccc@example.com--</p>
<p>--ddd@example.com</p>
</body>
</html>
結果應包含： bbb @ example.com，ccc @ example.com，ddd @ example.com因此，基本上，我想無論如何都希望改進此功能，以便regex可以生成不帶電子郵件的電子郵件-如果可能，可以改善if not email[0].endswith('.png') ，以防萬一我想添加更多，這看起來很緊急。
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 個解決方案
解決方案1
2 2015-12-03 10:39:30
我認為頂級域名很少，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']
見演示
或嘗試\\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)
為電子郵件驗證設置常量正則表達式非常困難-有關電子郵件驗證的詳細信息，請參見使用正則表達式來驗證具有69個答案的電子郵件地址 。
解決方案2
1 已采納 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)
輸出： ['bbb@example.com', 'ccc@example.com', 'ddd@example.com']
解決方案3
0 2015-12-03 10:46:54
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']
Python正則表達式：刪除下划線和破折號，除非它們在字符串替換指令中
[英]Python Regex: remove underscores and dashes except if they are in a dict of string substitutions
聲明:本站的技術帖子網頁，遵循CC BY-SA 4.0協議，如果您需要轉載，請注明本站網址或者原文地址。任何問題請咨詢:yoyou2525@163.com.