[php] E-mailadressen filtreren uit bestand

[Verwijderd]

Ik heb een willekeurig .txt(.doc,.csv) bestand met daarin tussen de de text een willekeurig aantal e-mail adressen die ik eruit wil choppen.

Hoe kan ik dit doen?

Ik lees het hele bestand in met file() en evt. sizeof()

Zijn hier al applicaties/scripten voor?

[Verwijderd]

Ik vind wel een aantal topics erover maar die zijn niet toereikend vandaar nogmaals de vraag.

Het is dus een textbestand met hier en daar een door een spatie met de rest gescheiden e-mail adres met als syntax:

[e-mail]

[Verwijderd]

Ik heb hier een script voor geschreven..
Contact me op icq ff of stuur een mail naar [e-mail]

icq: 30866020

[Martijn02]

Je gaat toch geen spam versturen he ?

[Verwijderd]

Nee, is voor backup applicatie.

Iemand nog ideeén / scripten?

[Verwijderd]

http://www.tweakers.net/zooi.dsp?Action=Frontpage&ID=244

hmmmmmmm

[tomato]

rereregex

[tomato]

JunkyJaz: http://www.tweakers.net/zooi.dsp?Action=Frontpage&ID=244

hmmmmmmm

En wat heeft dat hier mee te maken

Ok, nog even verder in gaan op de vraag
Je zult even wat meer informatie moeten geven over de context waarin je adressen staan. In zinnen, in HTML tags, compleet willekeurig/onbekend? Met een leuke regex is veel mogelijk, maar afhankelijk van de context van je adressen hoef je niet een echt ingewikkelde te gebruiken. Wanneer deze context echt onbekend is of alles kan zijn zul je een goede email regex nodig hebben en die kunnen vrij groot (call it ingewikkeld if you like) zijn

[Verwijderd]

Het zijn gewoon normale email adressen die in een txt of html file staan. Die dienen als backup. Uit de twee bestanden moeten alle volledige e-mail adressen gefilterd worden.

[Verwijderd]

Deze dienen uiteindelijk in een MYSQL db geplaatst te worden. !!!GEEN SPAM!!!

[drm]

pseudo regex

code:

(1)(2)(3)

waar:
• 1 karakter wat een spacer, een begin van een regel of een ander non-emailadres character is
• 2 emailadres validatie
• 3 karakter wat een spacer, een einde van een regel of een ander non-emailadres character is

simpel zat toch

_{edit: even wat overzichtelijker opgeschreven}

[tomato]

---ROBIN---: Het zijn gewoon normale email adressen die in een txt of html file staan. Die dienen als backup. Uit de twee bestanden moeten alle volledige e-mail adressen gefilterd worden.

Ik vroeg om meer informatie over de context waar de adressen zich in bevinden, wat je nu zegt wisten we eigenlijk al

drm: pseudo regex
[..]
simpel zat toch

Euh... misschien. Misschien niet.

Mag een email adres een _ bevatten? Ja. Dus jij maakt een regex:

code:

/[0-9a-z_]+@[0-9a-z_]+\.[0-9a-z_]+/ig

Simpel zat ja. Maar als je als tekstbestand nu dit krijgt:

code:

he mijn adres is [e-mail]_ dat je het ff weet!

Dan krijg je als match dus [e-mail]_, immers, underscore mag in een email adres. Maar mag een email adres met een underscore beginnen? Nee. Wanneer je daar rekening mee houdt krijg je in dit geval al een betere match (de underscores horen er namelijk niet bij).
Maar als je je context van te voren al zo goed kent dat je zeker weet dat je email adressen niet tussen underscores zal staan hoef je daar geen rekening meer mee te houden.

Lullig voorbeeldje misschien, maar kennis over de context van je data is zooooo belangrijk bij het gebruik van regexen! Wanneer je bij het matchen van email adressen helemaal niets weet over je data, zul je dus een perfecte regex moeten gebruiken volgens de betreffende RFC. En dat is heel wat werk (in MRE staat een voorbeeldje van 6598 karakters, maar deze is volgens een verouderde RFC gemaakt, hoewel ik het zo snel niemand beter zie doen).

Wellicht is een regex als

code:

/.+@.+\..+/g

zelfs voldoende, ik weet het niet. Antwoord geven op de vraag is nu dus erg lastig, ik geef niet graag een regex van 6,5 duizend karakters terwijl het niet nodig is.

[eamelink]

Hij hoeft niet zo heel ingewikkeld te worden (de regexp)

Een emailadres mag beginnen met een letter of een cijfer dacht ik, en verder mag het gedeelte voor de @ ook - _ en . bevatten. Ik weet niet of het laatste teken vóór de @ ook een .- of _ mag zijn.

Na de @ hetzelfde alleen, dan zonder de _

dan een . en 2 of die letters



Moet niet zo'n hele moeilijke worden, maar je mag het zelf uitzoeken

[tomato]

eamelink: Hij hoeft niet zo heel ingewikkeld te worden (de regexp)
[..]
Moet niet zo'n hele moeilijke worden, maar je mag het zelf uitzoeken

Lees jij werkelijk posts van anderen voor je post

Wat je nu beschrijft valideert dus bij lange na geen email adres. Kijk voor de grap eens in de betreffende RFC, die beschrijft namelijk een email adres (onderdeel daarvan is natuurlijk het domein).
Het ligt niet zo simpel als je hier zegt wanneer je het goed wilt doen

[Verwijderd]

Op zondag 11 november 2001 23:32 schreef tomato het volgende:

[..]

En wat heeft dat hier mee te maken

Just joking

[tomato]

JunkyJaz: Just joking

Een smilie oid zou dat wellicht iets duidelijker maken

[drm]

tomato:
Euh... misschien. Misschien niet.
(...)
Dan krijg je als match dus [e-mail]_, immers, underscore mag in een email adres. Maar mag een email adres met een underscore beginnen? Nee.
(...)
kennis over de context van je data is zooooo belangrijk bij het gebruik van regexen!

Heb je opzich gelijk in.

Maar de context van de data, zoals ---ROBIN--- zei was:

Het is dus een textbestand met hier en daar een door een spatie met de rest gescheiden e-mailadres

Dan voldoet die van mij toch wel aardig, dacht ik zo.

[tomato]

drm:Maar de context van de data, zoals ---ROBIN--- zei was:

Het is dus een textbestand met hier en daar een door een spatie met de rest gescheiden e-mailadres

Dan voldoet die van mij toch wel aardig, dacht ik zo.

die zin had ik helemaal gemist

Maarja, geldt nog steeds dat hij het ook over .doc, .csv en HTML bestanden heeft (waarvan het best logisch is dat er geen spaties om ieder adres staan)...

[begintmeta]

tomato schreef op woensdag 14 november 2001 @ 17:19:
...Maar mag een email adres met een underscore beginnen? Nee. ...

Is dat zo?

[RobIII]

Is dat een topickick van pakweg 14 jaar waard Is je google stuk?
Verder kan je natuurlijk makkelijk eens [e-mail] door de vele validators halen (wel even kijken hoe betrouwbaar ze zijn / op waarde schatten).

[ Voor 43% gewijzigd door RobIII op 06-05-2015 19:00 ]