从网页里面, 或者是Word文档里面, 又或者是PDF文件里面进行批量提取邮箱地址这个事, 目前正在用得最厉害的办法, 是使用专门的用来提取邮箱地址的工具, 再配合上那些关于正则表达式的匹配规则, 这样子的话, 能够在仅仅几秒钟的时间之内, 完成对数千条邮箱地址的识别动作以及把它们导出来的操作。
下文会给出可以直接拿去使用的工具方面的选择方案, 以及具体的操作步骤和路径。
01主流邮箱地址提取工具对比
如今, 大家能够拿来用的, 用于去把邮箱地址给弄出来的那些工具呢, 它们主要是可以被分成为了三个类型的。
在线网页提取工具: 不需要安装软件, 只要粘贴文本或者是输入网址, 就可以完成提取操作。比方说在gname.xin提供的在线邮箱提取功能这里, 使用者支持将一段网页的源码或者纯文本内容直接粘贴进去。
系统会自主识别所有符合RFC 5322这个标准的邮箱地址, 并且把它们列表输出出来。单次处理的上限大约是五万字的大小。这种情况十分适合那些临时性、小批量的需求场景。
本地批量处理工具: 这种工具像Python脚本配合re模块, Excel VBA宏,Notepad++正则替换等。它适合处理数百上千份文档文件邮箱地址提取工具, 可以自动遍历文件夹批量提取。
这是一个被称为专业数据抓取套件的东西, 具体包括像Owlify这样的软件, 还有Mail extractor这一类工具。它们都是安装在电脑桌上的软件版本。这些软件内部自带了浏览器扩展功能或者PDF解析引擎。
因此, 它们能够同时进行对网页内容的提取、对附件内容的提取以及邮件正文内容的提取。最后, 它们会将提取到的结果输出为CSV格式或者Excel格式的文件。专业数据抓取套件。
关于选择建议, 如果是要一次性提取几十条数据的话, 那么直接用在线工具就可以了；如果是日常运营, 需要去处理上百份文档的情况, 那么就建议使用本地脚本或者是专业套件来搞定。
02操作要点
网页提取: 按下键盘上的Ctrl键和U键一起, 用来复制页面的源代码, 然后把代码粘贴到在线工具里面去, 通过这种方式可以把那些无效的邮箱给过滤掉, 并且还要确保这些无效的邮箱是不在CSS样式里的, 如果遇到页面是经过动态渲染出来的情况, 也就是说需要靠JS脚本来加载内容的画面, 那你就得先等着它全部加载完成之后再动手去获取DOM结构里的文本信息。
你可以先使用那个支持正则表达式的文件处理工具来打开文档或者表格,然后匹配特定的模式邮箱地址提取工具, 具体就是用那种包含字母、数字以及某些特殊符号的格式去匹配邮箱地址, 这种方法能够覆盖绝大多数合法的邮箱格式。
PDF提取:第一步, 使用像Adobe Acrobat这样转文本工具, 或者使用Python里的pdfplumber库, 先把PDF文件变成纯文字形式, 然后接着按照上面提到的正则表达式的流程去处理。
如果遇到的PDF文件是扫描生成的图片形式, 那就得先进行光学字符识别操作, 把图像里的字认出来, 才能继续后续步骤。
提取出来的结果里面, 往往都会有重复出现的内容。大家可以在Excel这个软件里面找到那个叫做删除重复项的功能来进行处理。或者也可以使用Python编程语言里的set()方法来做去重的操作。
把数据弄干净之后, 再把它们保存成CSV格式的文件。这样做的话, 后续再把数据导入到CRM系统或者邮件列表工具里面的时候, 就会更加方便和顺畅。
03高频疑难与注意事项
1. 提取不到或漏提:. 你需要去检查一下那个正则可以匹配的正则表达式, 是不是把加号别名邮箱给覆盖了, 比如说像那种 user+tag@example.com 的例子, 有一些以前的旧正则表达式就会发生遗漏的情况。
2. 错误提取非邮箱字符串的问题依然存在: 图片的网址里面, 有时候会夹杂一些看起来很像电子邮件地址的片段, 为了解决这个隐患, 我们可以增加一条额外的排除规则, 把那些匹配结果中带有斜杠或者问号的候选项直接筛掉就行。
3. 在进行批量提取邮箱的操作之后, 如果打算把这些邮箱用来发送营销邮件的话, 你必须得去确认一下你的数据来源是不是合法的, 同时还要遵守关于《个人信息保护法》还有那些叫做 GDPR 的要求, 不然就很容易出现向那些没有给你授权的用户去群发邮件这样不好的情况。
4. 文件编码问题:在处理里面含有关于中文的文档的时候, 先确认这个编码是UTF-8, 从而防止因为出现乱码而会导致接收方的邮箱服务器把邮件给截断了。
04快速上手路径
如果你是第1次使用这个功能的话, 那么这里有个最简单的操作步骤可以给你推荐一下, 首先你需要去打开那个名字叫gname.xin的网站, 然后在里面把你想要处理的目标文本粘贴进去, 接着去点击上面写有“提取”字样的按钮, 然后就可以把显示出来的结果复制下来, 随后把这些内容再粘贴到Excel这个软件里面去, 之后再去执行删除里面重复出现的那些项目的操作, 最后一步是把处理好的文件保存为CSV的格式, 整个流程走下来花费的时间不会超过1分钟, 你完全不需要去写任何代码, 也无需安装任何其他多余的软件。
但是请注意, 只有当你面对的是长期的、而且需要批量处理的宏大场景时, 才应该去考虑部署在本地的脚本或者是那种专业的工具。
当你把上面的那些工具还有那个办事流程都弄懂并学会用了之后, 原本需要从邮箱列表里一个一个地手动复制粘贴地址这种费劲的做法, 就变成了只需要点击一下按钮就能把所有东西一起搞定的事情, 这样一来, 干活的速度能变快很多, 大概能提高一百倍那么多。
