El trabajo que me hizo construir esto llegó como una cadena de correo electrónico reenviada con cuarenta mensajes de profundidad. Un cliente quería una lista única de todos los que habían sido copiados en un hilo de seis meses para poder migrar el grupo a una lista de correo adecuada. Todas las direcciones estaban allí, enterradas To: y Cc: líneas, en firmas, en respuestas citadas, a veces tres veces. Desplazarse y copiar a mano iba a tomar una tarde y todavía me perdía algunos y duplicaba algunos más. Lo que realmente necesitaba era algo que leyera todo el texto, encontrara cada dirección de correo electrónico, tirara los duplicados y me entregara una lista limpia. Ese es el extractor de correo electrónico, y esta guía explica cómo funciona y por qué los detalles aburridos de la coincidencia importan.
TL;Dr: Un extractor de correo electrónico escanea un bloque de texto y extrae todas las direcciones de correo electrónico que contiene, devolviendo una lista de duplicados que puede copiar. La herramienta Toolz va más allá y extrae URL, números de teléfono y direcciones IPv4 del mismo texto con el mismo motor. Coincide con expresiones regulares seleccionadas, colapsa duplicados sin sentido de mayúsculas y minúsculas en la salida. Todo se ejecuta en el lado del cliente: sin carga, sin registro, funciona sin conexión.
Construyo productos SaaS en Laravel y React y envío complementos de WordPress, y una sorprendente cantidad de ese trabajo es convertir texto no estructurado en listas estructuradas. Una exportación de bandeja de entrada de soporte, una página raspada, un archivo de registro, un documento pegado: todos mezclan los datos que desea con ruido a su alrededor. Sacar las direcciones, enlaces o IP de ese ruido es una tarea pequeña que se realiza constantemente, y hacerlo con una expresión regular que recuerda a medias y vuelve a escribir cada vez es exactamente la fricción que una herramienta del navegador debería eliminar. Así que esta es la guía que desearía tener la tarde en que la cadena de cuarenta mensajes aterrizó en mi regazo.
¿qué es un extractor de correo electrónico?
Un extractor de correo electrónico es una herramienta que lee texto libre y devuelve todas las direcciones de correo electrónico que contiene como una lista. Pegas un bloque de texto, ya sea un hilo de correo electrónico, una página web, un volcado CSV, un registro de chat o una página de código fuente, y la herramienta encuentra cada dirección usando un patrón que reconoce la forma de un correo electrónico: una parte local, un signo at y un dominio que termina en un dominio válido de nivel superior. En lugar de leer el texto usted mismo y copiar direcciones una a la vez, obtiene el conjunto completo a la vez, sin duplicados.
La herramientaz extractor de correo electrónico Es deliberadamente más que correos electrónicos. El mismo motor de escaneo puede extraer URL, números de teléfono y direcciones IPv4 de http y https, porque son la misma clase de problema: encontrar cada aparición de un patrón conocido en una pared de texto y enumerarlo limpiamente. Eso lo convierte en una utilidad de extracción general en lugar de una herramienta de un solo truco. La idea central es constante en los cuatro tipos. Defina un patrón preciso para ver cómo se ve una coincidencia válida, escanee el texto para detectar cada aparición que no se superponga, luego limpie, deduplique y, opcionalmente, ordene los resultados en una lista que pueda pegar donde lo necesite.
¿por qué no simplemente mirarlo o utilizar buscar en la página?
Porque ambos métodos fallan en la forma que más importa. Leer texto y copiar direcciones a mano es lento y, peor aún, no es confiable: pierdes la dirección escondida dentro de un bloque de firma, copias la misma dos veces de una respuesta citada y no tienes forma de saber cuántas deberías haber terminado. Cuanto mayor sea la entrada, peores serán las probabilidades y las entradas que necesitan extracción suelen ser las más grandes.
La búsqueda en la página del navegador no es mejor para esto. Resalta las coincidencias de una cadena que ya conoces, pero el objetivo de la extracción es que no conoces las direcciones con anticipación, por lo que no hay nada que buscar. Lo que necesita es un patrón que coincida con la forma de un correo electrónico independientemente de sus letras exactas, que es precisamente lo que proporciona una expresión regular. Escribir esa expresión correctamente es su pequeña habilidad, y equivocarse ligeramente significa perder direcciones válidas o atrapar basura que solo se parece a una. Un extractor dedicado hornea un patrón probado para que nunca tenga que volver a escribirlo y lo combina con la deduplicación para que la lista que copie sea la lista en la que pueda confiar. Si desea comprender o ajustar el patrón en sí, el Probador de expresión regular te permite pegar tu propia expresión y verla coincidir con el texto de muestra en tiempo real.
¿Qué tan preciso es la coincidencia del correo electrónico?
Esta es la pregunta que decide si un extractor es útil o molesto, por lo que vale la pena ser preciso. El formato de la dirección de correo electrónico está definido por RFC 5322, y la gramática completa es famosa por su barroco. Permite citar partes locales con espacios, comentarios entre paréntesis y otras formas que son técnicamente válidas y nunca aparecen en datos reales. Una expresión regular que intenta coincidir con todo el RFC es enorme y, en la práctica, hace más daño que bien, porque comienza a coincidir con cadenas que ningún servidor de correo aceptaría jamás.
El extractor Toolz utiliza el subconjunto pragmático en el que se ha decidido la industria: una parte local de letras, dígitos y puntuación común, un signo at y un dominio punteado que termina en un dominio de nivel superior de al menos dos letras. Esta es la misma forma que usan la mayoría de las bibliotecas de validación y coincide con las direcciones que la gente realmente tiene mientras rechaza el ruido. Es un intercambio deliberado. Dejas de hacer coincidir las formas exóticas que no aparecen para evitar falsos positivos en las formas que parecen correos electrónicos pero que no lo son. Para extraer direcciones de documentos reales, que es todo el trabajo, ese comercio es el correcto. La herramienta también es honesta al respecto: el mismo razonamiento se aplica a los números de teléfono, donde no existe un formato global único, por lo que el patrón es intencionalmente amplio y ocasionalmente capta un número largo que no es un número de teléfono, razón por la cual vale la pena revisar los resultados del teléfono.
¿Cómo extraigo correos electrónicos de texto con la herramienta?
El flujo dura unos diez segundos. Pegue su texto en el cuadro de entrada o haga clic en Cargar muestra para ver un ejemplo trabajado que contenga correos electrónicos, URL, números de teléfono y direcciones IP, todos mezclados.
Elija qué extraer usando la fila de botones en la parte superior: direcciones de correo electrónico, URL, números de teléfono, direcciones IPv4 o números. La herramienta aplica el patrón coincidente para ese tipo e ignora todo lo demás. Luego configure las opciones de la lista. Dejar " Eliminar duplicados" para colapsar coincidencias repetidas en una sola entrada, que es casi siempre lo que desea. Encienda "Ordenar" para ordenar la lista alfabéticamente o por valor cuando extrae números. Active "En minúsculas" para normalizar correos electrónicos y URL [email protected] y [email protected] se tratan como una dirección. Elija cómo se unen los resultados: nueva línea para una lista vertical, coma para una celda CSV o a To: campo, espacio o punto y coma para los clientes de correo que lo esperan.
Haga clic en Extraer y los resultados aparecerán contando cuántas coincidencias se encontraron y cuántos duplicados se eliminaron. Copie la lista y péguela donde quiera que vaya. Ese es el bucle completo y, como se ejecuta instantáneamente, puede alternar entre tipos de extracción en el mismo texto para extraer correos electrónicos, luego URL y luego IP, sin volver a pegar nada.
¿Qué puedo extraer y cuándo usaría cada uno?
Los cuatro tipos de extracción cubren los datos que con mayor frecuencia se esconden dentro del texto. Aquí es para qué coincide cada uno y la situación para la que sirve.
| escribir a máquina | partidos | Uso Típico |
|---|---|---|
| Direcciones de correo electrónico | [email protected] en el subconjunto práctico de RFC |
Crear una lista de correo a partir de un hilo, extraer contactos de una exportación |
| URL | http:// y https:// enlaces, puntuación final recortada |
Recopilar cada enlace de una página o documento para su auditoría |
| Números de teléfono | Ejecuciones de más de 7 dígitos con espacios, guiones, puntos o paréntesis | Recopilar números de contacto a partir de texto raspado o pegado |
| Direcciones IPv4 | Quads punteados con cada octeto limitado a 0-255 | Sacar direcciones de un archivo de registro o de un volcado de configuración |
| números | Enteros y decimales firmados, con miles de separadores | Extraer cifras de un informe o de un cuadro pegado como texto |
Los tipos de correo electrónico y URL son los que más busco, generalmente juntos: extraer los correos electrónicos para crear una lista de contactos, luego cambiar a URL para auditar cada enlace con las mismas referencias de documentos. El tipo IPv4 gana su lugar cuando leo registros del servidor y quiero el conjunto único de direcciones que llegan a un punto final, que se empareja naturalmente con el analizador de URL cuando entonces necesito desglosar más esas solicitudes. El tipo de número es el impar, pero realmente útil para eliminar cifras de un informe que se pegó como texto sin formato en lugar de una hoja de cálculo. Elijas lo que elijas, las opciones de deduplicación y clasificación funcionan de la misma manera, por lo que el resultado es siempre una lista limpia y ordenada en lugar de coincidencias sin procesar.
¿cómo funciona realmente la deduplicación aquí?
La deduplicación suena trivial hasta que consideras la carcasa. La misma persona 's dirección puede aparecer como [email protected] en una firma y [email protected] en una respuesta citada, un deduplicado ingenuo que compara cadenas exactamente mantendría ambos. Eso está mal: las partes locales del correo electrónico no distinguen entre mayúsculas y minúsculas en todos los sistemas de correo prácticos, y los dominios no distinguen entre mayúsculas y minúsculas por definición. Entonces, el extractor compara los correos electrónicos y las URL sin mayúsculas y minúsculas al decidir si dos coincidencias son iguales, lo que significa que esas dos grafías colapsan en una entrada incluso si no ha activado la opción en minúsculas.
La herramienta también te dice lo que hizo. El recuento anterior de los resultados muestra cuántas coincidencias encontró en total y cuántos duplicados eliminó, por lo que nunca adivinas si la lista se redujo debido a la deduplicación o porque la entrada era más pequeña de lo que pensabas. Para números y direcciones IP, donde la carcasa es irrelevante, la comparación es exacta. Este es el tipo de detalle que es invisible cuando funciona y exasperante cuando no, por lo que vale la pena corregirlo en lugar de dejarlo claro Set de cuerdas crudas. Si su trabajo realmente trata sobre qué valores aparecen en una lista pero no en otra en lugar de sacarlos de la prosa, el herramienta de comparación de dos listas establece aritmética en columnas y se adapta mejor a esa pregunta específica.
¿Es seguro extraer texto confidencial en línea?
Para esta herramienta, sí, y la razón es cómo se construye en lugar de una política que debes adoptar. El texto que pegas se escanea completamente en tu propio navegador con JavaScript. No hay carga, ni servidor de ida y vuelta, y no hay nada registrado ni almacenado. Puede confirmarlo abriendo la pestaña de red de su navegador & #39; y haciendo clic en Extracto: ninguna solicitud sale de la página. Una vez que la página se haya cargado, puede desconectarse y seguir funcionando.
Esto es más importante para la extracción que para casi cualquier otro tipo de herramienta, porque el texto que pegas frecuentemente está lleno exactamente de los datos que no querrás filtrar. Los hilos de correo electrónico contienen direcciones privadas, los archivos de registro contienen direcciones IP y nombres de host internos, y los documentos pegados contienen números de teléfono y nombres. Un extractor que carga ese texto en un servidor para procesarlo, por muy bien intencionado que sea, convierte su correspondencia privada en otra persona 's registro del servidor. El procesamiento del lado del cliente elimina el riesgo en la raíz: el texto nunca sale de su máquina. Ese valor predeterminado es deliberado en todas las herramientas de Toolz.dev, y expuse el argumento completo en guía de privacidad de datos para herramientas en línea si quieres profundizar en el razonamiento. Para una mirada más amplia a cómo estas pequeñas utilidades encajan en un kit de trabajo, mi Guía de herramientas de productividad para desarrolladores camina entre las piezas.
¿Cuáles son los límites que vale la pena conocer?
Ser heterosexual con los límites es parte de confiar en una herramienta, así que aquí están los bordes honestos. El patrón de correo electrónico coincide con el subconjunto práctico de RFC 5322, no con la gramática completa, por lo que se perderá una dirección técnicamente válida pero exótica con una parte local citada o un comentario. Esa es una elección deliberada para evitar falsos positivos y esencialmente no afecta a ninguna dirección real, pero es un límite y debes saber que existe. Los números de teléfono son los más sueltos de los cinco tipos, porque no existe un formato universal; el patrón busca una serie de siete o más dígitos con separadores comunes, lo que significa que ocasionalmente puede captar un identificador largo que no sea un número de teléfono, por lo que vale la pena echar un vistazo a los resultados del teléfono en el momento que se necesita.
El extractor también funciona con texto, no con archivos binarios. Si tienes un documento PDF o Word, copia su texto y pega eso; la herramienta no puede leer el formato del archivo por sí misma. Y debido a que todo se ejecuta en la memoria del navegador, una entrada realmente enorme estará limitada por su navegador y no por la herramienta, aunque para los correos electrónicos, enlaces e IP la gente realmente extrae ese techo está muy por encima de lo que alcanzará. Ninguno de estos límites muerde en el uso normal. Saberlos es sólo la diferencia entre usar la herramienta con confianza y sorprenderse con un caso perimetral.
Preguntas frecuentes
¿Cómo extraigo direcciones de correo electrónico del texto? Pegue el texto en el extractor de correo electrónico y deje el tipo configurado en direcciones de correo electrónico. Escanea el texto con un patrón de correo electrónico, enumera todas las direcciones que encuentra, elimina duplicados y le permite copiar la lista limpia. No es necesario registrarse ni cargarlo, y funciona sin conexión una vez cargado.
¿Puede extraer URL y números de teléfono también? Sí. Cambie el tipo de extracción a URL, números de teléfono, direcciones IPv4 o números. El mismo motor aplica un patrón diferente para cada tipo, por lo que una herramienta maneja varios trabajos de extracción del mismo bloque de texto sin volver a pegarlo.
¿elimina correos electrónicos duplicados? Sí, cuando la opción eliminar duplicados está activada. Las coincidencias repetidas colapsan en una sola entrada y la herramienta informa cuántos duplicados se eliminaron. Los correos electrónicos y las URL coinciden sin sentido, por lo que la misma dirección en diferentes carcasas de letras se trata como tal.
¿Qué tan preciso es la coincidencia del correo electrónico? El patrón coincide con el subconjunto práctico de direcciones de correo electrónico que se ven en datos reales: una parte local, un signo at y un dominio punteado que termina en un dominio válido de nivel superior. No implementa la gramática completa de RFC 5322, que permite formas exóticas que nunca aparecen en la práctica y producirían coincidencias falsas en cadenas que solo parecen correos electrónicos.
¿por qué algunos números de teléfono coinciden de manera extraña? Los números de teléfono no tienen un formato global único, por lo que el patrón busca una serie de siete o más dígitos con espacios, guiones, puntos o paréntesis entre ellos. Esto es deliberadamente amplio, lo que significa que ocasionalmente puede captar un número largo que no sea un número de teléfono, por lo que vale la pena revisar los resultados al extraer números de teléfono de texto mixto.
¿Puedo ordenar la lista extraída? Sí. Active la opción de clasificación para ordenar la lista alfabéticamente o por valor numérico al extraer números. Combínelo con la opción eliminar duplicados para obtener una lista limpia, ordenada y sin duplicados lista para copiar.
¿En qué formatos puedo copiar los resultados? Puedes unir las coincidencias con una nueva línea, coma, espacio o punto y coma. Elija una nueva línea para una lista vertical, una coma para una celda CSV o un campo To y punto y coma para algunos clientes de correo. El recuento anterior de la salida muestra cuántas coincidencias se extrajeron.
¿Los datos extraídos se cargan en alguna parte? No. El texto se escanea localmente en su navegador con JavaScript. No se transmite, registra ni almacena nada, y la herramienta sigue funcionando sin conexión una vez cargada, lo que puede confirmar mirando la pestaña de red mientras extrae.
