Menemukan Email dan URL

Teks nyata penuh dengan cuplikan terstruktur seperti alamat email dan tautan. Regex memungkinkan Anda mengambilnya secara otomatis, bahkan dari dokumen yang panjang dan berantakan.

Sebuah email memiliki nama, tanda at, domain, dan ekstensi. Mengenali bentuk tersebut adalah langkah pertama untuk menulis pola untuknya.

Pola email ini mengambil karakter kata, tanda at, karakter lainnya, titik, dan huruf. Pola ini tidak sempurna, tetapi dapat menangkap sebagian besar alamat nyata.

Dalam domain, Anda menginginkan titik literal, bukan titik yang berarti karakter apa pun. Jadi Anda perlu melakukan escape menjadi \. agar hanya mencocokkan titik nyata dalam alamat.

Pasangkan pola email Anda dengan re.findall untuk memindai seluruh dokumen dan mengembalikan setiap alamat yang ada di dalamnya sebagai daftar Python yang bersih.

URL biasanya diawali http atau https, lalu ://, kemudian domain dan jalur. Awalan yang dapat diprediksi ini menjadikannya sasaran yang baik untuk regex.

Pola URL ini mencocokkan http atau https, lalu karakter apa pun yang bukan spasi. s opsional setelah http ditulis menggunakan kuantifier tanda tanya.

Tanda tanya membuat bagian sebelumnya menjadi opsional. Dalam https?, s boleh ada atau tidak, sehingga http dan https sama-sama cocok dengan baik.

Secara bawaan, kuantifier bersifat rakus dan mengambil sebanyak mungkin. Pada URL, hal ini dapat ikut mengambil tanda baca di bagian akhir yang tidak Anda inginkan.

Gunakan \S untuk berhenti pada spasi pertama, atau rapikan hasilnya setelah itu. Mengetahui di mana kecocokan harus berakhir akan menjaga hasil ekstraksi tetap rapi.

Selalu uji pola Anda pada teks nyata yang berantakan. Kasus khusus seperti tanda plus dalam email atau string kueri dalam URL akan menunjukkan bagian yang masih bocor.

Anda telah membuat pola untuk email dan URL, melakukan escape pada titik literal, serta menggunakan tanda tanya untuk bagian opsional. Sekarang Anda dapat mengambil informasi kontak dari teks. 🔍