أدوات النص واليومية · مجموعة أدوات النص
كيف يعرف URL واستخراج البريد الإلكتروني أين ينتهي العنوان
· كيف يعمل
استخراج النص عناوين المواقع عناوين البريد الإلكتروني
ينظر إلى القرارين الصعبين في استخراج الروابط والعناوين من النثر - حيث يتوقف URL ومدى صرامة نمط البريد الإلكتروني - ولماذا يتفوق النمط العملي على قواعد RFC الكاملة في النص الحقيقي.
الرابط الذي تم لصق النقطة عليه - لماذا يُرجع الاستخراج الساذج https://example.com. ويقطع الرابط
غالبًا ما تضع ملاحظات الاجتماع رابطًا مفيدًا في نهاية الجملة: `Agenda: https://example.com/roadmap.` البحث الذي يقبل كل حرف غير مسافات سيتضمن النقطة النهائية. يبدو النص المرئي معقولًا، لكن القيمة المستخرجة لم تعد تتطابق مع العنوان الذي كان الكاتب ينوي مشاركته أو زيارته مرة أخرى.
يقوم ToolAcre أولاً بالبحث عن تسلسل HTTP أو HTTPS، ثم يقوم بإزالة نقاط التوقف والفواصل والفواصل المنقوطة والنقطتين وعلامات التعجب وعلامات الاستفهام. يتم إرفاق عملية التنظيف عمدًا بحدود المطابقة بدلاً من تطبيقها عبر المستند. تظل علامات الترقيم في أي مكان آخر في URL متاحة عندما يسمح النمط الأولي بذلك.
الرابط المرفق به نقطة: لماذا يجب أن يستبعد الاستخراج علامات الترقيم الزائدة
يبدأ النمط URL فقط عند `http://` أو `https://` ويستمر حتى تظهر مسافة بيضاء أو أحد محددات الإغلاق المتعددة. علامات الاقتباس والأقواس الزاوية وقوس الإغلاق وقوس الإغلاق المربع جميعها توقف المباراة. تتيح هذه القاعدة للنثر مثل `(https://example.com/notes)` إرجاع العنوان بدون القوس المحيط به.
هذه قاعدة حدودية عملية، وليست محللًا عامًا لكل URI محتمل. يمكن أن يظل قوس الفتح داخل التطابق بينما ينهيه قوس الإغلاق، لذلك قد يتم اختصار العنوان الذي يحتوي مساره بشكل حقيقي على هذا الحرف. يفضل المستخرج الحدود النثرية الشائعة ويترك الحالات غير العادية للمراجعة اليدوية.
إلى أي مدى يجب أن تكون مطابقة البريد الإلكتروني صارمة — ما يسمح به RFC 5322 تقنيًا، ولماذا تؤدي مطابقة كل ذلك إلى نتائج أسوأ على النص الحقيقي
استخراج البريد الإلكتروني يجعل مقايضة مماثلة. فهو يبحث عن الحروف والأرقام وعلامات الترقيم المألوفة في صندوق البريد قبل `@`، ثم تسلسل يشبه المجال متبوعًا بنقطة وحرفين على الأقل. يلتقط هذا النمط العناوين العادية المضمنة في الملاحظات دون محاولة إعادة إنتاج كل بناء تعترف به القواعد النحوية الكاملة للبريد الإلكتروني.
يعد النمط الأضيق مفيدًا لأن الاستخراج والتحقق من الصحة يجيبان على أسئلة مختلفة. يحدد الاستخراج تفاصيل الاتصال المحتملة في نص غير منظم؛ لا يثبت وجود صندوق بريد أو يقبل البريد أو ينتمي إلى الشخص المحدد. تعامل مع النتيجة كقائمة قابلة للمراجعة، خاصة عند ظهور علامات الترقيم أو بناء جملة صندوق البريد غير المألوف في مكان قريب.
إلغاء التكرار والترتيب — نسخة واحدة من كل عنوان، بترتيب الظهور الأول، بحيث تعكس القائمة المصدر
بالنسبة إلى عناوين URL وعناوين البريد الإلكتروني، يقوم ToolAcre بإزالة التكرارات باستخدام `Set`. تحتفظ مجموعات JavaScript بترتيب الإدراج، بحيث يحدد التواجد الأول مكان ظهور العنصر في النتيجة وتختفي المطابقات المتطابقة لاحقًا. وبالتالي فإن الإخراج يتبع المصدر من أعلى إلى أسفل بدلاً من ترتيب جهات الاتصال أو الروابط أبجديًا دون إذن.
المساواة دقيقة. يظل `https://example.com` و`https://example.com/` منفصلين، كما هو الحال مع عناوين البريد الإلكتروني التي تختلف حالة أحرفها. لا يقوم المستخرج بتطبيع النطاقات أو إزالة أجزاء URL أو تحديد وجهتين متساويتين. يمكن أن تقوم هذه التغييرات بدمج نص مميز عن قصد، لذا فإن أي تسوية أخرى تنتمي إلى خطوة منفصلة محددة.
الأرقام أيضًا - سحب القيم الرقمية من النثر، ولماذا تجعل الفواصل العشرية وفواصل الآلاف "الرقم" أقل وضوحًا مما يبدو
يقبل استخراج الأرقام علامة الطرح الاختيارية، ورقمًا واحدًا أو أكثر، وجزءًا عشريًا اختياريًا يتم تقديمه بنقطة. يمكنه سحب `-12` و `48` و `3.75` من النثر. على عكس URL واستخراج البريد الإلكتروني، فإنه يُرجع كل تطابق مباشرةً، لذا تظل القيم المتكررة متكررة وتحافظ على عدد تكراراتها.
تكشف النماذج المجمعة والمترجمة حدود تلك القاعدة المدمجة. يتم إرجاع `1,250` كـ `1` و`250`، بينما يتم أيضًا تقسيم `3,5` بدلاً من تفسيره على أنه فاصلة عشرية. لا تعد علامات العملة والأسس وعلامات الجمع البادئة جزءًا من التطابق. اقرأ النص القريب قبل إسناد معنى لأي رقم مستخرج.
الأرقام أيضًا: الأعداد الصحيحة والكسور العشرية، دون التعامل مع القيم المجمعة كرقم واحد
جرب هذه الملاحظات: `Email sam@example.com, then review https://example.com/plan. Backup: sam@example.com. Budget -12.5; seats 24. Reference (https://example.com/help).` يؤدي استخراج رسائل البريد الإلكتروني إلى إرجاع `sam@example.com` واحد. يقوم استخراج عناوين URL بإرجاع الخطة وعناوين المساعدة بدون الجملة التي تنتهي بنقطة أو قوس إغلاق، بهذا الترتيب.
يجب أن يجد الفحص اليدوي ظهورين للبريد الإلكتروني ولكن نتيجة بريد إلكتروني فريدة واحدة، وظهورين متميزين URL ورقمين متطابقين. يُرجع استخراج الأرقام `-12.5` و`24`؛ الأرقام الموجودة داخل نطاقات الأمثلة لا تضيف تطابقات لعدم وجود أي منها. يقوم هذا الفحص بفصل أعداد التكرارات عن قوائم جهات الاتصال والارتباطات المكررة.
ما لا يغطيه هذا هو التحقق من وجود العنوان بالفعل، والعناوين الغريبة ولكن الصحيحة التي يفتقدها النمط العملي
البريد الإلكتروني المطابق هو مجرد نص على شكل النمط المطبق. ToolAcre لا يقوم بالاستعلام عن خوادم البريد أو إرسال رسالة اختبار أو فحص سجلات النطاق. ومن ثم يمكن أن يؤدي الخطأ المطبعي الذي يبدو معقولًا إلى اجتياز عملية الاستخراج، في حين يمكن تفويت عنوان غير شائع ولكن قابل للاستخدام. قم بتأكيد جهات الاتصال المهمة من خلال قناة موثوقة مناسبة قبل الاعتماد على القائمة.
لا يتطلب استخراج URL أيضًا صفحة أو متابعة عمليات إعادة التوجيه أو اختبار ما إذا كانت الوجهة آمنة أو متاحة. ويتطلب أيضًا بادئة HTTP أو HTTPS صريحة، لذلك لا يتم إرجاع `example.com` المجردة. تحافظ هذه الحدود على الاستخراج محليًا ويمكن التنبؤ به، ولكنها تجعل المراجعة البشرية جزءًا من أي سير عمل لاحق.
الوجبات الجاهزة - تعمل أزرار استخراج مجموعة أدوات النص على إجراء هذه المقايضات بشكل صريح وتمنحك قائمة نظيفة وغير مكررة في متصفحك
تعمل أزرار الاستخراج على تحويل كتلة نثرية مختلطة إلى تطابقات مفصولة بسطر جديد في المتصفح. تستخدم عناوين URL ورسائل البريد الإلكتروني أنماطًا عملية، وتقطع الحدود النثرية الشائعة أو تتوقف عندها وترجع قيمًا فريدة بترتيب المشاهدة لأول مرة. تستخدم الأرقام نمطًا عشريًا أصغر حجمًا وتحتفظ بالتكرارات، مما يعكس عقد دالة مختلفًا بدلاً من سياسة استخراج عالمية واحدة.
الصق الملاحظات التي تحتاجها فقط، وقم بتشغيل استخراج عناوين URL واستخراج رسائل البريد الإلكتروني بشكل منفصل، ومقارنة كل قائمة بالمصدر قبل نسخها فصاعدًا. يزيل الإخراج النظيف المسح المتكرر، بينما توضح الحدود الموثقة المكان الذي يظل فيه الحكم ضروريًا. بالنسبة إلى بناء الجملة غير المعتاد، احتفظ بالمقطع الأصلي بجانب النتيجة المستخرجة أثناء المراجعة.