从html源码中提取电子邮件地址

Question

我已经从网页中提取html源码，并想知道如何从该源文件中提取电子邮件地址等文本。使用jsoup像

public static String html2text(String html) { 
    return Jsoup.parse(html).text(); 
} 

但是这会给我很多不需要的文本，以及即时通信思考。

Answer 1

您可以去除所有标签（除非电子邮件位于标签内）。然后，应用正则表达式或检查每个单词是否符合电子邮件模式。如果在单词中包含@，并且在后面找到.，我通常会将其标记为电子邮件。根据标准电子邮件格式，许多电子邮件将不匹配（例如，"hello world@domain.com"）。是的电子邮件支持@之前的空格字符！

Answer 2

正如Shiplu所说，我认为最好的解决方案是使用正则表达式，如果您使用的是Java，请查看Pattern和Matcher类。