使用正则表达式和 beautifulsoup 提取有效的电子邮件地址

Question

我创建了一个代码来从网站中提取电子邮件：

import requests

from bs4 import BeautifulSoup

import re

url = ""

s = requests.Session()

r = s.get(url, headers={"User-Agent": "Mozilla/5.0 (Macintosh; Intel Mac OS X 10_11_2) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/47.0.2526.106 Safari/537.36"})

soup = BeautifulSoup(r.content, 'html.parser')

content = soup.get_text()

emails_match = re.findall(r'[\w\.-]+@[\w\.-]+', content)

它工作正常，但有时会从其他元素返回包含其他文本的电子邮件。

print(email_match)

['[e-mail]']

我只想获取电子邮件地址（没有来自其他 html 元素的任何文本）

当我尝试另一个正则表达式时，它返回相同的内容，例如：

r'([a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+\.[a-zA-Z0-9_-]+){0,}'

Answer 1

使用.strings而不是.textimport reemail = re.compile(r'([a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+\.[a-zA-Z0-9_-]+){0,}')[x for x in soup.strings if email.search(x).group()]['[e-mail]']