وصلت المهمة التي جعلتني أقوم ببناء هذا كسلسلة بريد إلكتروني مُعاد توجيهها بعمق أربعين رسالة. أراد العميل قائمة واحدة بأسماء كل من تم نسخه في سلسلة رسائل مدتها ستة أشهر حتى يتمكنوا من ترحيل المجموعة إلى قائمة بريدية مناسبة. كان كل عنوان هناك، مدفونًا فيه To: و Cc: سطور، في التوقيعات، في الردود المقتبسة، وأحيانًا ثلاث مرات. كان التمرير والنسخ يدويًا سيستغرق فترة ما بعد الظهر، وما زلت أفتقد القليل منها وأكرر القليل منها. ما كنت أحتاجه بالفعل هو شيء يقرأ النقطة الكاملة من النص، ويجد كل عنوان بريد إلكتروني فيه، ويتخلص من التكرارات، ويسلمني قائمة نظيفة. هذا هو مستخرج البريد الإلكترونيويشرح هذا الدليل كيفية عمله ولماذا التفاصيل المملة للمادة المطابقة.
ليرة تركية؛DR: يقوم مستخرج البريد الإلكتروني بمسح كتلة من النص وسحب كل عنوان بريد إلكتروني يحتوي عليه، وإرجاع قائمة غير مكررة يمكنك نسخها. تذهب أداة Toolz إلى أبعد من ذلك، حيث تستخرج عناوين URL وأرقام الهواتف وعناوين IPv4 من نفس النص باستخدام نفس المحرك. فهو يتطابق مع التعبيرات العادية المنسقة، وينهار بشكل غير حساس لحالة الأحرف، ويمكنه فرز الإخراج ووضعه بأحرف صغيرة. كل شيء يعمل من جانب العميل: لا يوجد تحميل، ولا تسجيل، ويعمل دون اتصال بالإنترنت.
أقوم ببناء منتجات SaaS على Laravel وReact وأقوم بشحن مكونات WordPress الإضافية، وقدر مدهش من هذا العمل هو تحويل النص غير المنظم إلى قوائم منظمة. دعم تصدير البريد الوارد، أو الصفحة المقطوعة، أو ملف السجل، أو المستند الملصق: جميعها تمزج البيانات التي تريدها مع الضوضاء المحيطة بها. يعد سحب العناوين أو الروابط أو عناوين IP من هذا الضجيج مهمة صغيرة تقوم بها باستمرار، والقيام بذلك باستخدام تعبير عادي نصف تذكره وإعادة كتابته في كل مرة هو بالضبط الاحتكاك الذي يجب أن تزيله أداة المتصفح. إذن هذا هو الدليل الذي أتمنى لو حصلت عليه بعد ظهر ذلك اليوم الذي هبطت فيه سلسلة الرسائل الأربعين في حضني.
ما هو مستخرج البريد الإلكتروني؟
مستخرج البريد الإلكتروني هو أداة تقرأ النص الحر وترجع كل عنوان بريد إلكتروني بداخله كقائمة. تقوم بلصق كتلة من النص، سواء كان ذلك مؤشر ترابط بريد إلكتروني، أو صفحة ويب، أو تفريغ ملف CSV، أو سجل دردشة، أو صفحة من التعليمات البرمجية المصدر، وتجد الأداة كل عنوان باستخدام نمط يتعرف على شكل البريد الإلكتروني: جزء محلي، وعلامة at، ومجال ينتهي في نطاق المستوى الأعلى صالح. بدلاً من قراءة النص بنفسك ونسخ العناوين واحدًا تلو الآخر، يمكنك الحصول على المجموعة بأكملها مرة واحدة، مع إزالة التكرارات.
تولز مستخرج البريد الإلكتروني هو عمدا أكثر من مجرد رسائل البريد الإلكتروني. يمكن لمحرك المسح نفسه استخراج عناوين URL http وhttps وأرقام الهواتف وعناوين IPv4، لأنها نفس فئة المشكلة: ابحث عن كل تكرار لنمط معروف في جدار النص وقم بإدراجها بشكل نظيف. وهذا يجعلها أداة استخراج عامة بدلاً من أداة خدعة واحدة. الفكرة الأساسية ثابتة عبر جميع الأنواع الأربعة. حدد نمطًا دقيقًا لما تبدو عليه المطابقة الصالحة، وقم بمسح النص ضوئيًا لكل حدث غير متداخل، ثم قم بتنظيف النتائج وإلغاء تكرارها وفرزها اختياريًا في قائمة يمكنك لصقها أينما كنت في حاجة إليها.
لماذا لا يقتصر الأمر على مقلة العين أو استخدام البحث في الصفحة؟
لأن كلتا الطريقتين تفشلان بالطرق الأكثر أهمية. قراءة النصوص ونسخ العناوين يدويًا أمر بطيء، والأسوأ من ذلك أنه غير موثوق به: تفتقد العنوان الموجود داخل كتلة التوقيع، وتنسخ نفس العنوان مرتين من الرد المقتبس، وليس لديك طريقة لمعرفة العدد الذي كان يجب أن تنقذه انتهى بك الأمر. كلما زاد حجم المدخلات، زادت احتمالات حدوث ذلك، وعادةً ما تكون المدخلات التي تحتاج إلى استخراج هي الكبيرة.
البحث في الصفحة في المتصفح ليس أفضل من ذلك. فهو يسلط الضوء على التطابقات لسلسلة تعرفها بالفعل، ولكن الهدف الأساسي من الاستخراج هو أنك لا تعرف العناوين مسبقًا، لذلك لا يوجد شيء للبحث عنه. ما تحتاجه هو نمط يطابق شكل البريد الإلكتروني بغض النظر عن حروفه الدقيقة، وهو بالضبط ما يوفره التعبير العادي. كتابة هذا التعبير بشكل صحيح هي مهارته الصغيرة، والحصول على خطأ بسيط يعني إما فقدان العناوين الصالحة أو التقاط النفايات التي تبدو وكأنها واحدة فقط. يقوم مستخرج مخصص بخبز نمط تم اختباره حتى لا تضطر أبدًا إلى إعادة كتابته، ويقترن به مع إلغاء التكرار بحيث تكون القائمة التي تنسخها هي القائمة التي يمكنك الوثوق بها. إذا كنت تريد فهم أو ضبط النمط نفسه، فإن اختبار ريجكس يتيح لك لصق تعبيرك الخاص ومشاهدته وهو يتطابق مع نموذج النص في الوقت الفعلي.
ما مدى دقة مطابقة البريد الإلكتروني؟
هذا هو السؤال الذي يقرر ما إذا كان المستخرج مفيدًا أم مزعجًا، لذا فهو يستحق الدقة. يتم تعريف تنسيق عنوان البريد الإلكتروني بواسطة RFC 5322، والقواعد الكاملة باروكية مشهورة. فهو يسمح بالأجزاء المحلية المقتبسة بمسافات وتعليقات بين قوسين وأشكال أخرى صالحة من الناحية الفنية ولا تظهر أبدًا في البيانات الحقيقية. إن التعبير العادي الذي يحاول مطابقة RFC بأكمله هائل، ومن الناحية العملية فهو يضر أكثر مما ينفع، لأنه يبدأ في مطابقة السلاسل التي لن يقبلها أي خادم بريد على الإطلاق.
يستخدم مستخرج Toolz المجموعة الفرعية العملية التي استقرت عليها الصناعة: جزء محلي من الحروف والأرقام وعلامات الترقيم الشائعة، وعلامة at، ومجال منقط ينتهي في مجال المستوى الأعلى المكون من حرفين على الأقل. هذا هو نفس الشكل الذي تستخدمه معظم مكتبات التحقق من الصحة، وهو يطابق العناوين الموجودة لدى الأشخاص بالفعل أثناء رفض الضوضاء. إنها تجارة متعمدة. أنت تتخلى عن مطابقة النماذج الغريبة التي لا تحدث لتجنب النتائج الإيجابية الكاذبة على النماذج التي تشبه رسائل البريد الإلكتروني ولكنها ليست كذلك. لسحب العناوين من المستندات الحقيقية، وهي المهمة بأكملها، تكون هذه التجارة هي الصحيحة. الأداة صادقة أيضًا: ينطبق نفس المنطق على أرقام الهواتف، حيث لا يوجد تنسيق عالمي واحد، لذا فإن النمط واسع عمدًا ويلتقط أحيانًا رقمًا طويلًا ليس رقم هاتف، ولهذا السبب فإن مراجعة نتائج الهاتف تستحق لحظة.
كيف يمكنني استخراج رسائل البريد الإلكتروني من النص باستخدام الأداة؟
يستغرق التدفق حوالي عشر ثوان. الصق النص الخاص بك في مربع الإدخال، أو انقر فوق تحميل العينة لرؤية مثال عملي يحتوي على رسائل البريد الإلكتروني وعناوين URL وأرقام الهواتف وعناوين IP ممزوجة معًا.
اختر ما تريد استخراجه باستخدام صف الأزرار في الأعلى: عناوين البريد الإلكتروني أو عناوين URL أو أرقام الهواتف أو عناوين IPv4 أو الأرقام. تطبق الأداة نمط المطابقة لهذا النوع وتتجاهل كل شيء آخر. ثم قم بتعيين خيارات القائمة. اترك & عرض أسعار؛ قم بإزالة التكرارات وعرض الأسعار؛ قم بطي المطابقات المتكررة في إدخال واحد، وهو ما تريده دائمًا تقريبًا. تشغيل & عرض أسعار؛ فرز واقتباس؛ لترتيب القائمة أبجديًا، أو حسب القيمة عند استخراج الأرقام. تشغيل "؛Lowercase"؛ لتطبيع رسائل البريد الإلكتروني وعناوين URL [email protected] و [email protected] يتم التعامل معها كعنوان واحد. اختر كيفية ضم النتائج: سطر جديد لقائمة رأسية، أو فاصلة لخلية CSV أو To: الحقل أو المساحة أو الفاصلة المنقوطة لعملاء البريد الذين يتوقعون ذلك.
انقر فوق استخراج وتظهر النتائج مع حساب عدد التطابقات التي تم العثور عليها وعدد التكرارات التي تمت إزالتها. انسخ القائمة والصقها أينما تريد. هذه هي الحلقة بأكملها، ولأنها تعمل على الفور، يمكنك التنقل بين أنواع الاستخراج على نفس النص لسحب رسائل البريد الإلكتروني، ثم عناوين URL، ثم عناوين IP، دون إعادة لصق أي شيء.
ما الذي يمكنني استخلاصه ومتى سأستخدم كل منهما؟
تغطي أنواع الاستخراج الأربعة البيانات التي غالبًا ما تخفي داخل النص. إليك ما يطابقه كل واحد والموقف الذي هو عليه.
| يكتب | المباريات | الاستخدام النموذجي |
|---|---|---|
| عناوين البريد الإلكتروني | [email protected] في مجموعة RFC الفرعية العملية |
إنشاء قائمة بريدية من سلسلة رسائل، وسحب جهات الاتصال من التصدير |
| عناوين URL | http:// و https:// الروابط، تم قطع علامات الترقيم الزائدة |
جمع كل رابط من صفحة أو مستند للتدقيق |
| أرقام الهواتف | تشغيل مكون من 7+ أرقام مع مسافات أو شرطات أو نقاط أو أقواس | جمع أرقام الاتصال من النص المقطوع أو الملصق |
| عناوين IPv4 | رباعيات منقطة مع حدود كل ثماني بتات من 0 إلى 255 | سحب العناوين من ملف السجل أو تفريغ التكوين |
| أرقام | الأعداد الصحيحة والكسور العشرية الموقعة، مع آلاف الفواصل | استخراج الأرقام من تقرير أو جدول تم لصقه كنص |
أنواع البريد الإلكتروني وعناوين URL هي التي أصل إليها كثيرًا، عادةً معًا: استخرج رسائل البريد الإلكتروني لإنشاء قائمة جهات اتصال، ثم قم بالتبديل إلى عناوين URL لتدقيق كل رابط ومراجع المستندات نفسها. يكتسب نوع IPv4 مكانه عندما أقرأ سجلات الخادم وأريد المجموعة الفريدة من العناوين التي تصل إلى نقطة النهاية، والتي تقترن بشكل طبيعي مع محلل URL عندما أحتاج بعد ذلك إلى تقسيم تلك الطلبات بشكل أكبر. نوع الرقم هو النوع الفردي ولكنه مفيد حقًا لرفع الأرقام من تقرير تم لصقه كنص عادي بدلاً من جدول بيانات. أيًا كان اختيارك، فإن خيارات إلغاء التكرار والفرز تعمل بنفس الطريقة، وبالتالي فإن الإخراج دائمًا ما يكون قائمة نظيفة ومرتبة بدلاً من التطابقات الأولية.
كيف يعمل إلغاء الازدواجية فعليًا هنا؟
يبدو إلغاء الازدواجية أمرًا تافهًا حتى تفكر في الغلاف. يمكن أن يظهر عنوان نفس الشخص '؛ كـ [email protected] في توقيع واحد و [email protected] في الرد المقتبس، وإلغاء التكرار الساذج الذي يقارن السلاسل سيحتفظ بكليهما تمامًا. هذا خطأ: الأجزاء المحلية للبريد الإلكتروني غير حساسة لحالة الأحرف في كل نظام بريد عملي، والمجالات غير حساسة لحالة الأحرف حسب التعريف. لذلك يقوم المستخرج بمقارنة رسائل البريد الإلكتروني وعناوين URL بشكل غير حساس لحالة الأحرف عند تحديد ما إذا كانت المطابقتان متماثلتين، مما يعني أن هاتين التهجئة تنهاران إلى إدخال واحد حتى لو لم تقم بتشغيل الخيار الصغير.
تخبرك الأداة أيضًا بما فعلته. يوضح العدد الموجود أعلى النتائج عدد التطابقات التي وجدتها إجمالاً وعدد التكرارات التي تمت إزالتها، لذلك لا تخمن أبدًا ما إذا كانت القائمة قد تقلصت بسبب إلغاء التكرار أو لأن الإدخال كان أصغر مما كنت تعتقد. بالنسبة للأرقام وعناوين IP، حيث يكون الغلاف غير ذي صلة، تكون المقارنة دقيقة. هذا هو نوع التفاصيل غير المرئية عندما تعمل والمثيرة للغضب عندما لا تعمل، ولهذا السبب يستحق الأمر الحصول على الحق بدلاً من تركه في مكان عادي Set من السلاسل الخام. إذا كانت مهمتك تتعلق حقًا بالقيم التي تظهر في قائمة واحدة وليس أخرى بدلاً من سحبها من النثر، فإن قارن بين أداتين قائمتين هل يقوم بتعيين العمليات الحسابية على الأعمدة وهو الأنسب لهذا السؤال المحدد.
هل من الآمن الاستخراج من النص الحساس عبر الإنترنت؟
بالنسبة لهذه الأداة، نعم، والسبب هو كيفية بنائها بدلاً من السياسة التي يتعين عليك اتباعها بثقة. يتم مسح النص الذي تقوم بلصقه بالكامل في متصفحك الخاص باستخدام JavaScript. لا يوجد تحميل، ولا خادم ذهابًا وإيابًا، ولا يتم تسجيل أو تخزين أي شيء. يمكنك تأكيد ذلك عن طريق فتح علامة تبويب الشبكة الخاصة بالمتصفح '؛ والنقر فوق "استخراج: لا يوجد طلب يغادر الصفحة". بمجرد تحميل الصفحة، يمكنك عدم الاتصال بالإنترنت وتستمر في العمل.
يعد هذا أمرًا مهمًا للاستخراج أكثر من أي نوع آخر من الأدوات تقريبًا، لأن النص الذي تلصقه غالبًا ما يكون مليئًا بالبيانات التي لا ترغب في تسريبها بالضبط. تحتوي سلاسل رسائل البريد الإلكتروني على عناوين خاصة، وتحتوي ملفات السجل على عناوين IP وأسماء مضيفين داخليين، وتحتوي المستندات الملصقة على أرقام هواتف وأسماء. يقوم المستخرج الذي يقوم بتحميل هذا النص إلى الخادم لمعالجته، مهما كان حسن النية، بتحويل مراسلاتك الخاصة إلى شخص آخر '؛ سجل الخادم. تعمل المعالجة من جانب العميل على إزالة المخاطر من الجذر: النص لا يترك جهازك أبدًا. هذا الإعداد الافتراضي متعمد عبر كل أداة على Toolz.dev، وقد قمت بوضع الوسيطة الكاملة في دليل خصوصية البيانات للأدوات عبر الإنترنت إذا كنت تريد المنطق بعمق. لإلقاء نظرة أوسع على كيفية تناسب هذه الأدوات المساعدة الصغيرة معًا في مجموعة أدوات العمل، يا إلهي دليل أدوات إنتاجية المطور يمشي من خلال القطع.
ما هي الحدود التي تستحق المعرفة؟
إن الاستقامة بشأن الحدود هي جزء من الثقة في الأداة، لذا فإليك الحواف الصادقة. يتطابق نمط البريد الإلكتروني مع المجموعة الفرعية العملية من RFC 5322، وليس القواعد النحوية الكاملة، لذلك سيتم تفويت عنوان صالح تقنيًا ولكنه غريب مع جزء محلي مقتبس أو تعليق. هذا اختيار متعمد لتجنب النتائج الإيجابية الخاطئة، ولا يؤثر بشكل أساسي على أي عنوان حقيقي، ولكنه حد ويجب أن تعرف وجوده. أرقام الهواتف هي الأكثر مرونة من بين الأنواع الخمسة، لأنه لا يوجد تنسيق عالمي؛ يبحث النمط عن مجموعة من سبعة أرقام أو أكثر مع فواصل مشتركة، مما يعني أنه يمكنه أحيانًا التقاط معرف طويل ليس رقم هاتف، لذا فإن إلقاء نظرة سريعة على نتائج الهاتف يستحق الثانية التي يستغرقها.
يعمل المستخرج أيضًا على النص، وليس على الملفات الثنائية. إذا كان لديك مستند PDF أو Word، فانسخ نصه والصقه؛ لا تستطيع الأداة قراءة تنسيق الملف نفسه. ولأن كل شيء يعمل في ذاكرة المتصفح، فإن الإدخال الهائل حقًا سيكون محدودًا بواسطة متصفحك بدلاً من الأداة، على الرغم من أنه بالنسبة لرسائل البريد الإلكتروني والروابط وعناوين IP، فإن الأشخاص يستخرجون هذا السقف بالفعل أعلى بكثير مما ستصل إليه. لا شيء من هذه الحدود يعض في الاستخدام العادي. معرفتها هي مجرد الفرق بين استخدام الأداة بثقة والمفاجأة بحالة الحافة.
الأسئلة المتداولة
كيف يمكنني استخراج عناوين البريد الإلكتروني من النص؟ لصق النص في مستخرج البريد الإلكتروني واترك النوع مضبوطًا على عناوين البريد الإلكتروني. فهو يقوم بمسح النص باستخدام نمط البريد الإلكتروني، ويسرد كل عنوان يعثر عليه، ويزيل التكرارات، ويتيح لك نسخ القائمة النظيفة. ليست هناك حاجة للتسجيل أو التحميل، ويعمل دون اتصال بالإنترنت بمجرد تحميله.
هل يمكنه استخراج عناوين URL وأرقام الهواتف أيضًا؟ نعم. قم بتبديل نوع الاستخراج إلى عناوين URL أو أرقام الهواتف أو عناوين IPv4 أو الأرقام. يطبق نفس المحرك نمطًا مختلفًا لكل نوع، لذلك تتعامل أداة واحدة مع عدة مهام استخراج من نفس كتلة النص دون إعادة لصقها.
هل يزيل رسائل البريد الإلكتروني المكررة؟ نعم، عندما يكون خيار إزالة التكرارات قيد التشغيل. تنهار المطابقات المتكررة إلى إدخال واحد، وتقوم الأداة بالإبلاغ عن عدد التكرارات التي تمت إزالتها. تتم مطابقة رسائل البريد الإلكتروني وعناوين URL بشكل غير حساس لحالة الأحرف، لذلك يتم التعامل مع نفس العنوان في غلاف أحرف مختلف كعنوان واحد.
ما مدى دقة مطابقة البريد الإلكتروني؟ يتطابق النمط مع المجموعة الفرعية العملية من عناوين البريد الإلكتروني التي تظهر في البيانات الحقيقية: جزء محلي، وعلامة at، ومجال منقط ينتهي بمجال مستوى أعلى صالح. لا ينفذ قواعد RFC 5322 الكاملة، والتي تسمح بالنماذج الغريبة التي لا تظهر أبدًا في الممارسة العملية وستنتج تطابقات خاطئة على سلاسل تشبه رسائل البريد الإلكتروني فقط.
لماذا تتم مطابقة بعض أرقام الهواتف بشكل غريب؟ لا تحتوي أرقام الهواتف على تنسيق عام واحد، لذلك يبحث النمط عن مجموعة من سبعة أرقام أو أكثر مع مسافات أو شرطات أو نقاط أو أقواس بينها. هذا واسع بشكل متعمد، مما يعني أنه يمكنه أحيانًا التقاط رقم طويل ليس رقم هاتف، لذلك يستحق مراجعة النتائج عند استخراج أرقام الهواتف من نص مختلط.
هل يمكنني فرز القائمة المستخرجة؟ نعم. قم بتشغيل خيار الفرز لترتيب القائمة أبجديًا، أو حسب القيمة الرقمية عند استخراج الأرقام. قم بدمجه مع خيار إزالة التكرارات للحصول على قائمة نظيفة ومرتبة وخالية من التكرارات وجاهزة للنسخ.
ما هي التنسيقات التي يمكنني نسخ النتائج بها؟ يمكنك الانضمام إلى المطابقات بسطر أو فاصلة أو مسافة أو فاصلة منقوطة جديدة. اختر سطرًا جديدًا لقائمة رأسية، وفاصلة لخلية CSV أو حقل To، وفاصلة منقوطة لبعض عملاء البريد. يوضح العدد الموجود أعلى الإخراج عدد المطابقات التي تم استخراجها.
هل يتم تحميل البيانات المستخرجة في أي مكان؟ لا. يتم مسح النص ضوئيًا محليًا في متصفحك باستخدام JavaScript. لا يتم نقل أي شيء أو تسجيله أو تخزينه، وتستمر الأداة في العمل دون اتصال بالإنترنت بمجرد تحميلها، وهو ما يمكنك تأكيده من خلال مشاهدة علامة تبويب الشبكة أثناء الاستخراج.
