Encontrando e-mails e URLs

Textos reais estão cheios de trechos estruturados, como e-mails e links. Expressões regulares permitem extraí-los automaticamente, até mesmo de documentos longos e desorganizados.

Um e-mail tem um nome, um símbolo de arroba, um domínio e uma extensão. Identificar esse formato é o primeiro passo para escrever um padrão para ele.

Este padrão de e-mail captura caracteres de palavras, um símbolo de arroba, mais caracteres, um ponto e letras. Não é perfeito, mas identifica a maioria dos endereços reais.

Em um domínio, você quer um ponto literal, não o ponto que representa qualquer caractere. Por isso, você o escapa como \. para corresponder apenas a um ponto real no endereço.

Combine seu padrão de e-mail com re.findall para percorrer um documento inteiro e devolver todos os endereços contidos nele como uma lista Python organizada.

Uma URL geralmente começa com http ou https, depois vem ://, seguido por um domínio e um caminho. Esse início previsível faz dela um ótimo alvo para expressões regulares.

Este padrão de URL corresponde a http ou https e depois a quaisquer caracteres que não sejam espaços. O s opcional depois de http é escrito com um quantificador de ponto de interrogação.

O ponto de interrogação torna opcional a parte anterior a ele. Em https?, o s pode estar presente ou não, portanto tanto http quanto https correspondem corretamente.

Por padrão, os quantificadores são gulosos e capturam o máximo possível. Com URLs, isso pode incluir pontuação final que você não queria.

Use \S para parar no primeiro espaço ou remova o excesso do resultado depois. Saber onde uma correspondência deve terminar mantém sua extração organizada.

Sempre teste seu padrão em textos reais e desorganizados. Casos extremos, como sinais de mais em e-mails ou strings de consulta em URLs, revelam onde ele ainda falha.

Você criou padrões para e-mails e URLs, escapou pontos literais e usou o ponto de interrogação para partes opcionais. Agora pode extrair informações de contato de textos. 🔍