Регулярка для парсинга Email'ов

[TwistDanceR]

Нет ничего более худого чем скрапить эмейлы... Обрыскав форум в поисках - единственная регулярка, которая мне хоть как-то помогла была следующая:

string regex = @"[\.\-_A-Za-z0-9]+?@[\.\-A-Za-z0-9]+?[\.\-A-Za-z0-9]{2,}";

Возникли следующие проблемы: она cпарсила другие результаты, которые не удовлетворяют:

[email protected]
9@5xe
[email protected]
org.mozilla.javascript.gen.c10@3e0913fc
[email protected]
ania@polish (вместо [email protected])
cached@1574596174 --
[email protected]

Спойлер: И ещё пак. Результаты перечислены через запятую.

[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected] ;[email protected]  ;[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected];[email protected]

Из тупого:
а) как исключить результаты с окончанием .gif/.svg/.jpg
б) как заставить неполные результаты добиваться полных (на примере с anya и другими участниками торжества)

Из серьезного:
Иногда в эмейлах присутствуют знаки: "_" , "-", а так же просто пробел. Если включить пробел в регулярку - начинает парситься всё, что идет после него до конца строки ( иногда тысячи символов).

Спасибо большое за внимание.

P.S. Ещё я прикинул - может написать регулярку, где строка после Знака @ должна заканчиваться на доменные имена? может быть она более избирательна будет?)

 

[Max]

У тебя регулярка в корне неправильная... х3 на каком ты ее форуме взял... Знаки вопроса не нужны. Точка должна быть вне групп символов - так как по большей части встречается очень часто в названии домена. Гугли "email RFC" стандарт и regex.
Плюс даже если ты будешь использовать регексы по стандартам все равно будет попадаться хлам... Мейлы нужно валидировать, для более-менее хорошего результата. Те смотреть что возвращают домены на которых находится ящик.

 

[TwistDanceR]

У тебя регулярка в корне неправильная... х3 на каком ты ее форуме взял... Знаки вопроса не нужны. Точка должна быть вне групп символов - так как по большей части встречается очень часто в названии домена. Гугли "email RFC" стандарт и regex.
Плюс даже если ты будешь использовать регексы по стандартам все равно будет попадаться хлам... Мейлы нужно валидировать, для более-менее хорошего результата. Те смотреть что возвращают домены на которых находится ящик.

Про валидность - понятно, будет проверка, разговор о первичном парсинге, потому что собрать нужно не много не мало - дофига. За подсказки спасибо.
А взял - из темы "золотая коллекция регулярок".

 

[vitashok]

собрать нужно не много не мало - дофига.

А много надо? Просто я тут парсинг запустил одного сайта, то уже больше 2 лямов мейлов насобиралось, а куда их притулить то, х.з. пока

 

[TwistDanceR]

А много надо? Просто я тут парсинг запустил одного сайта, то уже больше 2 лямов мейлов насобиралось, а куда их притулить то, х.з. пока

У меня сайт не один, сайтов порядка миллиона, а почта нужна будет только одна.

 

[timoxa949]

Если кому надо будет, работает четко:

(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])

 

[yoptoo]

Если кому надо будет, работает четко:

(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])

Спасибо тебе огромное! Мужик, ты просто чертов гений

 

[Ondasai]

Если кому надо будет, работает четко:

(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])

Я без понятия, откуда такие знания у вас

 

[sistemanipel]

Если кому надо будет, работает четко:

(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])

эта регулярка нагребла такое:

всего 2 валидных емейла (дубль). Как подправить то?

 

[traffman]

Ещё выпаршивает вот такие емаилы
//ui-avatars.com/api/?name=[email protected]

Попробуйте вот эту
[a-z0-9](?:[a-z0-9\-\._+]*[a-z0-9_])@[\w\._-]+\.[\w]{2,6}