alternate_email メールアドレス抽出ツール star

仕組み

この抽出ツールは、貼り付けたテキストを正規表現でスキャンし、local-part@domain という形――許可された文字の並び、@記号、そして少なくとも1つのドットを含むドメインという、メールアドレスがほぼ常に書かれる形――を探します。スクレイピングしたWebページ、エクスポートしたメーリングリスト、長いメールスレッドなどを貼り付けると、そのパターンに一致するすべての文字列が抽出され、大文字小文字を区別せずに重複が排除され、アルファベット順に並べ替えられて1行に1件ずつリストされます。これにより、周囲の文章に紛れ込んだアドレス、mailto:リンクのようなHTML属性の中に埋め込まれたアドレス、大きな文書の中の何十もの段落に散らばったアドレスなど、雑然とした実際の入力を追加の手作業なしで処理できます。

ここで使われている正規表現は、有効なメールアドレスとみなされる条件を定めた実際の技術仕様であるRFC 5322の、簡略化された実用的な近似です。これは怠慢による近道ではなく、意図的な選択です:技術的に有効なあらゆるアドレスを漏れなく拾いながら、無効な文字列には決して一致しない、完全にRFC 5322準拠の単一の正規表現を書くことは、事実上不可能に近いのです。完全準拠のパターンは数千文字に及ぶこともあり、"john doe"@example.comのような引用符付きローカル部分や、user@[192.168.1.1]のような角括弧のIPアドレスドメインなど、現実のテキストにはほぼ登場しないまれな合法的なエッジケースにも対応しなければなりません。この抽出ツールを含め、実用的なあらゆる抽出ツールは、その最後のわずか数パーセントの理論的な網羅性を、人々が実際に書く99%以上のアドレスに対して高速・読みやすい・信頼できるパターンと引き換えにしています。

知っておくべきこと

• 存在ではなく形式が一致するだけです。アドレスは完全に有効に見えても実際には届かない(バウンスする)ことがあります――このツールには、メールボックスが実在し、有効で、メールを受け取れる状態かどうかを確認する手段はありません。
• 重複は大文字小文字を区別せずに統合されます。[email protected]と[email protected]は同じアドレスとして扱われ、一度だけリストされます。
• すべてローカルで実行されます。照合はブラウザ内でJavaScriptにより行われます――テキストがどこかにアップロードされたり保存されたりすることはありません。
• エッジケースはすり抜けることがあります。スクレイパーを避けるために書かれた「name [at] domain [dot] com」のような難読化されたアドレスは、意図的に標準のメール構文に見えないようにされているため一致しません。
• 実際の抽出作業のために作られています。スクレイピングしたページから連絡先アドレスを取得する、貼り付けたメーリングリストを整理する、長い転送メールスレッドの中に何件のユニークなアドレスが埋もれているか確認するなどが典型的な用途です。