使用 R 中的正则表达式从文本正文中提取原始电子邮件发件人

Question

我已将收件箱提取到 csv，每封电子邮件的正文都以以下格式输出：

"From: Name email@email.co.uk mailto:Name@email.co.uk text text text"

这些几乎都是长链电子邮件，但我需要一种方法来获取原始发件人。

目前，我一直在使用正则表达式模式从每个文本正文中抓取电子邮件，然后抓取该列表中的最后一封电子邮件：

list_emails = unlist(regmatches(text, gregexpr("([_a-z0-9-]+(\\.[_a-z0-9-]+)*@[a-z0-9-]+(\\.[a-z0-9-]+)*(\\.[a-z]{2,4}))", 
                                          text, ignore.case = TRUE)))

# The last item in that list is the last one found within the body of the email and our likely original sender
list_emails[length(list_emails)]

如果原始电子邮件的签名中有他们的地址，但如果没有，则获取最后一个复制的人（抄送）。

我想要编辑它以仅获取以字符串模式“发件人：”开头的电子邮件，然后我可以获取此新列表中的最后一项。这将是获取原始发件人的最快方式。

有没有办法编辑我的原始模式来完成这个？

Answer 1

您可以使用 PCRE 正则表达式，例如

text <- "From: Name email@email.co.uk mailto:Name@email.co.uk text text text"
rx <- "From:.*\\K\\b[_a-z0-9-]+(?:\\.[_a-z0-9-]+)*@[a-z0-9-]+(?:\\.[a-z0-9-]+)*\\.[a-z]{2,4}\\b"
unlist(regmatches(text, gregexpr(rx, text, ignore.case=TRUE, perl=TRUE)))
## => [1] "Name@email.co.uk"

请参阅 R demo online 和 regex demo。

注意perl=TRUE 参数的使用。主要区别是在开头添加了From:.*\K\b，在末尾添加了\b。

模式详情

• From: - 文字字符串
• .* - 除换行符以外的任何 0+ 个字符，尽可能多
• \K - 一个匹配重置操作符，在整个匹配内存缓冲区中丢弃所有匹配的文本
• \b - 单词边界（这也意味着电子邮件不能以 - 开头）
• [_a-z0-9-]+ - 1+ 字母、数字、_ 或 -
• (?:\.[_a-z0-9-]+)* - 0 次或多次重复 . 后跟 1+ 字母、数字、_ 或 -
• @ - 一个 @ 字符
• [a-z0-9-]+ - 1+ 个字母、数字或 -
• (?:\.[a-z0-9-]+)* - 0 次或多次重复 . 后跟 1+ 字母、数字或 -
• \. - 一个点
• [a-z]{2,4} - 两个、三个或四个字母
• \b - 单词边界。

Answer 2

你可以使用这个正则表达式

From:.*?([\w_+.]+@[\w_.]+).+?mailto:.*?([\w_+.]+@[\w_.]+)

第 1 组包含From: 之后的电子邮件
第 2 组包含mailto: 之后的第二封电子邮件

Demo

这个也可以：

([\w_+.]+)@([\w_.]+)

第 1 组包含该行中的第一封电子邮件
第 2 组包含该行中的第二封电子邮件

Demo