Question

我正在开发一个网络刮刀代码。我正在检索的基本内容是来自HTML源代码的电子邮件地址。我使用以下代码

 r = re.compile(r"\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,6}\b", re.IGNORECASE)
 emailAddresses =  r.findall(html)

在少数网站中，电子邮件地址的格式为abcd [at] gmail.com/abcd（at）gmail.com。我需要一个通用的正则表达式代码，它将以abcd [at] gmail.com/abcd（at）gmail.com/abcd@gmail.com的三种格式之一检索电子邮件地址。我尝试了以下代码，但没有得到预期的结果。任何人都可以帮助我。

 r = re.compile(r"\b[A-Z0-9._%+-]+[@|(at)|[at]][A-Z0-9.-]+\.[A-Z]{2,6}\b", re.IGNORECASE)
     emailAddresses =  r.findall(html)

Answer 1

解决方案：将@替换为(@|$at$|\[at\])：

r = re.compile(r"\b[A-Z0-9._%+-]+(@|\(at\)|\[at\])[A-Z0-9.-]+\.[A-Z]{2,6}\b", re.IGNORECASE)
emailAddresses =  r.findall(html)

说明：在您的尝试中，您执行了[one|two|three]，但您不能这样做。 […]用于单个字符或集合（[a-z]与[abcd…xyz]相同）。您必须改为使用(one|two|three)。 [1]

此外，您尝试匹配()和[]这些都是与REGEX相关的特殊字符，因此它们具有特殊功能。如果你想真正匹配它们（而不是使用它们的特殊功能），你必须记住先将\放在它们前面以逃避它们。同样适用于.?+*等。

建议：如果您愿意，也可以尝试以同样的方式匹配[dot]和(dot)。

请记住，有很多方法可以混淆那里的电子邮件地址，包括一些您可能不知道的电子邮件地址。

而且，验证电子邮件地址（以及试图用REGEX捕获它们）也非常棘手：

实际官方REGEX为(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])。

（编辑：来源： http://www.ex-parrot.com/pdw/Mail-RFC822-Address.html看起来它可能比上面的REGEX更差!!）

[1]请注意，使用(…)会捕获其内容，如果您希望不抓取此内容，则必须使用(?:…)。

Answer 2

 r = re.compile(r"\b[A-Z0-9._%+-]+(?:@|[(\[]at[\])])[A-Z0-9.-]+\.[A-Z]{2,6}\b", re.IGNORECASE)

                                  ^^^^^^^^^^^^^^^^^^  
 emailAddresses =  r.findall(html)

参见演示。

https://regex101.com/r/nD5jY4/5#python

在python中搜索模式为[at] /（at）的电子邮件地址

2 个答案: