Texto y herramientas cotidianas · Text Toolkit
Cómo la extracción de URL y correo electrónico sabe dónde termina una dirección
· Cómo funciona
extracción de texto URL direcciones de correo electrónico
analiza las dos decisiones difíciles a la hora de extraer enlaces y direcciones de la prosa (dónde termina una URL y qué tan estricto debe ser un patrón de correo electrónico) y por qué un patrón pragmático supera a la gramática RFC completa en texto real.
El enlace con un punto pegado: por qué la extracción ingenua devuelve https://example.com. y rompe el enlace
Las notas de las reuniones a menudo incluyen un enlace útil al final de una oración: `Agenda: https://example.com/roadmap.` Una búsqueda que acepte todos los caracteres que no sean espacios incluiría el punto final. El texto visible parece razonable, pero el valor extraído ya no coincide con la dirección que el escritor pretendía compartir o volver a visitar.
ToolAcre primero encuentra una secuencia HTTP o HTTPS, luego elimina puntos finales, comas, punto y coma, dos puntos, signos de exclamación y signos de interrogación. La limpieza se adjunta deliberadamente al límite de coincidencia en lugar de aplicarse en todo el documento. La puntuación en otras partes de una URL permanece disponible cuando el patrón inicial lo permite.
El enlace con un punto adjunto: por qué la extracción debe excluir la puntuación final
El patrón de URL comienza solo en `http://` o `https://` y continúa hasta que aparece un espacio en blanco o uno de varios delimitadores de cierre. Las comillas, los corchetes angulares, un paréntesis de cierre y un corchete de cierre detienen la coincidencia. Esa regla permite que prosa como `(https://example.com/notes)` devuelva la dirección sin el corchete circundante.
Esta es una regla de límites práctica, no un analizador general para cada URI posible. Un paréntesis de apertura puede permanecer dentro de una coincidencia mientras que uno de cierre la finaliza, por lo que una dirección cuya propia ruta realmente contenga ese carácter puede acortarse. El extractor favorece los límites comunes de la prosa y deja casos inusuales para revisión manual.
¿Qué tan estricta debe ser la coincidencia de correos electrónicos? Qué permite técnicamente el RFC 5322 y por qué la coincidencia de todos produce peores resultados en texto real.
La extracción de correo electrónico supone un compromiso similar. Busca letras, números y puntuación familiar del buzón antes de `@`, luego una secuencia similar a un dominio seguida de un punto y al menos dos letras. Ese patrón detecta direcciones ordinarias incrustadas en notas sin intentar reproducir cada construcción admitida por la gramática completa del correo electrónico.
El patrón más restringido es útil porque la extracción y la validación responden a preguntas diferentes. La extracción identifica posibles detalles de contacto en texto no estructurado; no establece que exista un buzón, acepte correo o pertenezca a la persona nombrada. Trate el resultado como una lista revisable, especialmente cuando aparecen signos de puntuación o una sintaxis de buzón poco común cerca.
Eliminación de duplicados y orden: una copia de cada dirección, en orden de primera aparición, para que la lista refleje la fuente
Para URL y direcciones de correo electrónico, ToolAcre elimina duplicados con un `Set`. Los conjuntos de JavaScript conservan el orden de inserción, por lo que la primera aparición determina dónde aparece un elemento en el resultado y luego desaparecen las coincidencias idénticas. Por lo tanto, el resultado sigue la fuente de arriba a abajo en lugar de ordenar alfabéticamente los contactos o enlaces sin permiso.
La igualdad es exacta. `https://example.com` y `https://example.com/` permanecen separados, al igual que las direcciones de correo electrónico cuyas letras difieren. El extractor no normaliza dominios, no elimina fragmentos de URL ni decide que dos destinos son equivalentes. Esos cambios podrían fusionar texto intencionalmente distinto, por lo que cualquier normalización adicional pertenece a un paso verificado separado.
Los números también: extraer valores numéricos de la prosa y por qué los separadores decimales y de miles hacen que "un número" sea menos obvio de lo que parece
La extracción de números acepta un signo menos opcional, uno o más dígitos y una parte decimal opcional introducida por un punto. Puede extraer `-12`, `48` y `3.75` de la prosa. A diferencia de la extracción de URL y correo electrónico, devuelve cada coincidencia directamente, por lo que los valores repetidos permanecen repetidos y preservan su recuento de ocurrencias.
Los formularios agrupados y localizados exponen el límite de esa regla compacta. `1,250` se devuelve como `1` y `250`, mientras que `3,5` también se divide en lugar de interpretarse como una coma decimal. Los signos de moneda, los exponentes y los signos más iniciales no forman parte de una coincidencia. Lea el texto cercano antes de asignar significado a cualquier número extraído.
Números también: enteros y decimales con signo, sin tratar los valores agrupados como un solo número
Pruebe estas notas: `Email sam@example.com, then review https://example.com/plan. Backup: sam@example.com. Budget -12.5; seats 24. Reference (https://example.com/help).` Extraer correos electrónicos devuelve un `sam@example.com`. Extraer URL devuelve el plan y las direcciones de ayuda sin el punto ni el paréntesis de cierre de la oración, en ese orden.
Un análisis manual debería encontrar dos apariciones de correo electrónico, pero un resultado de correo electrónico único, dos apariciones de URL distintas y dos coincidencias numéricas. Extraer números devuelve `-12.5` y `24`; Los dígitos dentro de los dominios de ejemplo no agregan coincidencias porque no hay ninguna presente. Esta verificación separa los recuentos de ocurrencias de las listas de contactos y enlaces deduplicados.
Lo que esto no cubre: validar que una dirección realmente existe y direcciones exóticas pero válidas que el patrón pragmático omite
Un correo electrónico coincidente es solo texto con la forma del patrón implementado. ToolAcre no consulta servidores de correo, no envía mensajes de prueba ni inspecciona registros de dominio. Por lo tanto, un error tipográfico que parezca plausible puede pasar la extracción, mientras que una dirección poco común pero utilizable puede pasar desapercibida. Confirme los contactos importantes a través de un canal confiable apropiado antes de confiar en la lista.
La extracción de URL tampoco solicita una página, sigue redireccionamientos ni prueba si un destino es seguro o está disponible. También requiere un prefijo HTTP o HTTPS explícito, por lo que no se devuelve un `example.com` simple. Estos límites mantienen la extracción local y predecible, pero hacen que la revisión humana forme parte de cualquier flujo de trabajo importante.
La conclusión: los botones de extracción del Text Toolkit hacen estas compensaciones explícitamente y le brindan una lista limpia y sin duplicados en su navegador.
Los botones de extracción convierten un bloque mixto de prosa en coincidencias separadas por nueva línea en el navegador. Las URL y los correos electrónicos utilizan patrones pragmáticos, recortan o se detienen en los límites comunes de la prosa y devuelven valores únicos en el orden en que se ven por primera vez. Los números utilizan un patrón decimal con signo más pequeño y retienen duplicados, lo que refleja un contrato de función diferente en lugar de una política de extracción universal.
Pegue solo las notas que necesita, ejecute Extraer URL y Extraer correos electrónicos por separado y compare cada lista con la fuente antes de copiarla. El resultado limpio elimina el escaneo repetitivo, mientras que los límites documentados muestran dónde sigue siendo necesario juzgar. Para una sintaxis inusual, mantenga el pasaje original junto al resultado extraído durante la revisión.