メールアドレスと URL を見つける

実際のテキストには、メールアドレスやリンクなどの構造化された断片が数多く含まれています。正規表現を使えば、長く乱雑な文書からでも自動的に取り出せます。

メールアドレスには、名前、アットマーク、ドメイン、拡張子が含まれます。この形を見分けることが、パターンを書く最初のステップです。

このメールアドレスパターンは、単語構成文字、アットマーク、さらに文字列、ドット、文字の並びを取り出します。完全ではありませんが、実在するアドレスの大半を検出できます。

ドメイン内で必要なのは任意の1文字を表すドットではなく、リテラルのドットです。そのため、アドレス内の実際のピリオドだけに一致するよう、\.としてエスケープします。

メールアドレスパターンをre.findallと組み合わせると、文書全体を検索し、含まれているすべてのアドレスを整ったPythonリストとして返せます。

URLは通常、httpまたはhttps、続いて://、さらにドメインとパスで構成されます。この予測しやすい始まり方は、正規表現の対象に適しています。

このURLパターンは、httpまたはhttpsに続く空白以外の任意の文字列に一致します。httpの後の任意のsは、疑問符の量指定子で表します。

疑問符は、その直前の部分を任意にします。https?ではsがあってもなくてもよいため、httpとhttpsの両方に一致します。

デフォルトでは量指定子は貪欲で、可能な限り多くの文字を取り込みます。URLでは、不要な末尾の句読点まで取り込むことがあります。

\Sを使って最初の空白で停止させるか、後から結果を整えます。一致の終端を把握しておくと、抽出結果をきれいに保てます。

乱雑な実際のテキストで、必ずパターンをテストしてください。メールアドレス内のプラス記号やURL内のクエリ文字列などのエッジケースから、まだ意図せず一致する箇所が分かります。

メールアドレスとURLのパターンを作成し、リテラルのドットをエスケープし、疑問符で任意の部分を表現しました。これでテキストから連絡先情報を抽出できます。🔍