Texte et outils quotidiens · Boîte à outils de texte
Comment l'extraction d'URL et d'e-mails permet de savoir où se termine une adresse
· Comment ça marche
extraction de texte URL adresses e-mail
Examine les deux décisions difficiles à prendre lors de l'extraction de liens et d'adresses à partir de prose - où s'arrête une URL et à quel point un modèle de courrier électronique doit être strict - et pourquoi un modèle pragmatique bat la grammaire RFC complète sur du texte réel.
Le lien avec un point collé - pourquoi l'extraction naïve renvoie https://example.com. et rompt le lien
Les notes de réunion incluent souvent un lien utile à la fin d'une phrase : `Agenda: https://example.com/roadmap.` Une recherche qui accepte tous les caractères autres que des espaces inclurait le point final. Le texte visible semble raisonnable, mais la valeur extraite ne correspond plus à l'adresse que l'auteur avait l'intention de partager ou de revisiter.
ToolAcre recherche d'abord une séquence HTTP ou HTTPS, puis supprime les points finaux, les virgules, les points-virgules, les deux-points, les points d'exclamation et les points d'interrogation. Le nettoyage est délibérément attaché à la limite de correspondance plutôt que appliqué à l'ensemble du document. La ponctuation ailleurs dans une URL reste disponible lorsque le modèle initial le permet.
Le lien avec un point attaché : pourquoi l'extraction doit exclure la ponctuation de fin
Le modèle d'URL commence uniquement à `http://` ou `https://` et continue jusqu'à ce qu'un espace ou l'un des nombreux délimiteurs fermants apparaisse. Les guillemets, les crochets angulaires, une parenthèse fermante et un crochet fermant arrêtent tous la correspondance. Cette règle permet à une prose telle que `(https://example.com/notes)` de renvoyer l'adresse sans ses parenthèses.
Il s'agit d'une règle de délimitation pratique, et non d'un analyseur général pour chaque URI possible. Une parenthèse ouvrante peut rester à l'intérieur d'une correspondance tandis qu'une parenthèse fermante la termine, de sorte qu'une adresse dont le chemin contient véritablement ce caractère peut être raccourcie. L'extracteur privilégie les limites communes de la prose et laisse les cas inhabituels pour une révision manuelle.
Dans quelle mesure la correspondance des e-mails doit-elle être stricte ? ce que la RFC 5322 autorise techniquement et pourquoi la mise en correspondance de tout cela produit de moins bons résultats sur du texte réel
L'extraction d'e-mails fait un compromis similaire. Il recherche les lettres, les chiffres et la ponctuation familière des boîtes aux lettres avant `@`, puis une séquence de type domaine suivie d'un point et d'au moins deux lettres. Ce modèle capture les adresses ordinaires intégrées dans les notes sans tenter de reproduire toutes les constructions admises par la grammaire complète des e-mails.
Le modèle plus étroit est utile car l'extraction et la validation répondent à des questions différentes. L'extraction identifie les coordonnées probables dans un texte non structuré ; il n'établit pas qu'une boîte aux lettres existe, accepte du courrier ou appartient à la personne désignée. Traitez le résultat comme une liste consultable, en particulier lorsque des signes de ponctuation ou une syntaxe de boîte aux lettres inhabituelle apparaissent à proximité.
Déduplication et ordre : une copie de chaque adresse, par ordre de première apparition, afin que la liste reflète la source
Pour les URL et les adresses e-mail, ToolAcre supprime les doublons avec un `Set`. Les ensembles JavaScript conservent l'ordre d'insertion, de sorte que la première occurrence détermine où un élément apparaît dans le résultat et que les correspondances identiques ultérieures disparaissent. La sortie suit donc la source de haut en bas au lieu de classer par ordre alphabétique les contacts ou les liens sans autorisation.
L'égalité est exacte. `https://example.com` et `https://example.com/` restent distincts, tout comme les adresses e-mail dont la casse des lettres diffère. L'extracteur ne normalise pas les domaines, ne supprime pas les fragments d'URL et ne décide pas que deux destinations sont équivalentes. Ces modifications pourraient fusionner du texte intentionnellement distinct, de sorte que toute normalisation ultérieure appartient à une étape vérifiée distincte.
Les nombres aussi : extraire des valeurs numériques de la prose et pourquoi les séparateurs décimaux et de milliers rendent "un nombre" moins évident qu'il n'y paraît
L'extraction de nombres accepte un signe moins facultatif, un ou plusieurs chiffres et une partie décimale facultative introduite par un point. Il peut extraire `-12`, `48` et `3.75` de la prose. Contrairement à l'extraction d'URL et d'e-mails, elle renvoie directement chaque correspondance, de sorte que les valeurs répétées restent répétées et préservent leur nombre d'occurrences.
Les formes groupées et localisées exposent les limites de cette règle compacte. `1,250` est renvoyé sous la forme `1` et `250`, tandis que `3,5` est également divisé plutôt qu'interprété comme une virgule décimale. Les signes monétaires, les exposants et les signes plus de début ne font pas partie d'une correspondance. Lisez le texte à proximité avant d’attribuer une signification à un nombre extrait.
Les nombres aussi : entiers signés et décimaux, sans traiter les valeurs groupées comme un seul nombre
Essayez ces notes : `Email sam@example.com, then review https://example.com/plan. Backup: sam@example.com. Budget -12.5; seats 24. Reference (https://example.com/help).` L'extraction des e-mails renvoie un `sam@example.com`. Extraire les URL renvoie les adresses de plan et d'aide sans le point final de la phrase ni la parenthèse fermante, dans cet ordre.
Une analyse manuelle devrait trouver deux apparences d'e-mail mais un résultat d'e-mail unique, deux apparences d'URL distinctes et deux correspondances de chiffres. L'extraction des numéros renvoie `-12.5` et `24` ; les chiffres à l’intérieur des exemples de domaines n’ajoutent pas de correspondances car aucune n’est présente. Cette vérification sépare le nombre d'occurrences des listes de contacts et de liens dédupliquées.
Ce que cela ne couvre pas : valider qu'une adresse existe réellement et que les adresses exotiques mais valides manquent au modèle pragmatique
Un e-mail correspondant est uniquement un texte ayant la forme du modèle implémenté. ToolAcre n'interroge pas les serveurs de messagerie, n'envoie pas de message de test et n'inspecte pas les enregistrements de domaine. Une faute de frappe apparemment plausible peut donc échouer à l'extraction, tandis qu'une adresse peu courante mais utilisable peut passer inaperçue. Confirmez les contacts importants via un canal de confiance approprié avant de vous fier à la liste. De même, l'extraction d'URL
ne demande pas de page, ne suit pas les redirections et ne teste pas si une destination est sûre ou disponible. Il nécessite également un préfixe HTTP ou HTTPS explicite, donc un simple `example.com` n'est pas renvoyé. Ces limites maintiennent l'extraction locale et prévisible, mais elles intègrent l'examen humain à tout flux de travail conséquent.
Ce qu'il faut retenir : les boutons d'extraction de Text Toolkit font ces compromis explicitement et vous donnent une liste claire et dédupliquée dans votre navigateur.
Les boutons d'extraction transforment un bloc de prose mixte en correspondances séparées par des nouvelles lignes dans le navigateur. Les URL et les e-mails utilisent des modèles pragmatiques, coupent ou s'arrêtent aux limites communes de la prose et renvoient des valeurs uniques dans l'ordre d'apparition. Les nombres utilisent un modèle décimal signé plus petit et conservent les doublons, reflétant un contrat de fonction différent plutôt qu'une politique d'extraction universelle.
Collez uniquement les notes dont vous avez besoin, exécutez Extraire les URL et Extraire les e-mails séparément et comparez chaque liste avec la source avant de la copier. La sortie nette supprime les analyses répétitives, tandis que les limites documentées montrent où le jugement reste nécessaire. En cas de syntaxe inhabituelle, conservez le passage original à côté du résultat extrait lors de la révision.