टेक्स्ट और रोजमर्रा के टूल · टेक्स्ट टूलकिट
URL और ईमेल निष्कर्षण से कैसे पता चलता है कि पता कहाँ समाप्त होता है
· यह काम किस प्रकार करता है
पाठ-निष्कर्षण URL ईमेल पते
गद्य से लिंक और पते निकालने में दो कठिन निर्णयों को देखता है - जहां URL रुकता है और ईमेल पैटर्न कितना सख्त होना चाहिए - और क्यों एक व्यावहारिक पैटर्न वास्तविक पाठ पर पूर्ण RFC व्याकरण को मात देता है।
पूर्ण विराम वाला लिंक चिपका हुआ है - क्यों अनुभवहीन निष्कर्षण https://example.com. लौटाता है और लिंक तोड़ देता है
मीटिंग नोट्स अक्सर वाक्य के अंत में एक उपयोगी लिंक डालते हैं: `Agenda: https://example.com/roadmap.` एक खोज जो प्रत्येक गैर-स्पेस वर्ण को स्वीकार करती है, उसमें अंतिम पूर्ण विराम शामिल होगा। दृश्यमान पाठ उचित दिखता है, लेकिन निकाला गया मूल्य अब उस पते से मेल नहीं खाता है जिसे लेखक साझा करना या दोबारा देखना चाहता है।
ToolAcre पहले HTTP या HTTPS अनुक्रम ढूंढता है, फिर अनुगामी पूर्ण विराम, अल्पविराम, अर्धविराम, कोलन, विस्मयादिबोधक चिह्न और प्रश्न चिह्न हटा देता है। सफ़ाई को पूरे दस्तावेज़ में लागू करने के बजाय जानबूझकर मैच सीमा से जोड़ा गया है। URL में अन्यत्र विराम चिह्न तब उपलब्ध रहता है जब प्रारंभिक पैटर्न इसकी अनुमति देता है।
पूर्ण विराम के साथ लिंक संलग्न है: क्यों निष्कर्षण में अनुगामी विराम चिह्न को शामिल नहीं किया जाना चाहिए
URL पैटर्न केवल `http://` या `https://` पर शुरू होता है और तब तक जारी रहता है जब तक कि व्हाइटस्पेस या कई समापन सीमांककों में से एक प्रकट न हो जाए। उद्धरण, कोण कोष्ठक, एक समापन कोष्ठक और एक समापन वर्ग कोष्ठक सभी मिलान को रोकते हैं। वह नियम `(https://example.com/notes)` जैसे गद्य को आसपास के ब्रैकेट के बिना पता लौटाने देता है।
यह एक व्यावहारिक सीमा नियम है, हर संभव URI के लिए सामान्य पार्सर नहीं। एक प्रारंभिक कोष्ठक एक मैच के अंदर रह सकता है जबकि एक समापन कोष्ठक इसे समाप्त कर देता है, इसलिए एक पता जिसके पथ में वास्तव में वह चरित्र शामिल है उसे छोटा किया जा सकता है। एक्सट्रैक्टर सामान्य गद्य सीमाओं का समर्थन करता है और असामान्य मामलों को मैन्युअल समीक्षा के लिए छोड़ देता है।
ईमेल मिलान कितना सख्त होना चाहिए - RFC 5322 तकनीकी रूप से क्या अनुमति देता है, और इन सभी का मिलान वास्तविक पाठ पर खराब परिणाम क्यों देता है
ईमेल निष्कर्षण एक समान व्यापार-बंद बनाता है। यह `@` से पहले अक्षरों, संख्याओं और परिचित मेलबॉक्स विराम चिह्नों की तलाश करता है, फिर एक डोमेन जैसा अनुक्रम जिसके बाद एक बिंदु और कम से कम दो अक्षर होते हैं। यह पैटर्न पूर्ण ईमेल व्याकरण द्वारा स्वीकार किए गए प्रत्येक निर्माण को पुन: पेश करने का प्रयास किए बिना नोट्स में एम्बेडेड सामान्य पते को पकड़ता है।
संकीर्ण पैटर्न उपयोगी है क्योंकि निष्कर्षण और सत्यापन विभिन्न प्रश्नों का उत्तर देते हैं। निष्कर्षण असंरचित पाठ में संभावित संपर्क विवरण की पहचान करता है; यह स्थापित नहीं करता कि कोई मेलबॉक्स मौजूद है, मेल स्वीकार करता है या नामित व्यक्ति का है। परिणाम को एक समीक्षा योग्य सूची के रूप में मानें, खासकर जब विराम चिह्न या असामान्य मेलबॉक्स सिंटैक्स पास में दिखाई देता है।
डी-डुप्लीकेशन और ऑर्डर - प्रत्येक पते की एक प्रति, पहली उपस्थिति के क्रम में, इसलिए सूची स्रोत को प्रतिबिंबित करती है
URL और ईमेल पते के लिए, ToolAcre `Set` के साथ डुप्लिकेट हटा देता है। JavaScript सेट प्रविष्टि क्रम को बनाए रखते हैं, इसलिए पहली घटना यह निर्धारित करती है कि परिणाम में कोई आइटम कहां दिखाई देता है और बाद में समान मिलान गायब हो जाते हैं। इसलिए आउटपुट बिना अनुमति के संपर्कों या लिंक को वर्णानुक्रम में रखने के बजाय ऊपर से नीचे तक स्रोत का अनुसरण करता है।
समानता सटीक है. `https://example.com` और `https://example.com/` अलग-अलग रहते हैं, वैसे ही ईमेल पते भी अलग-अलग रहते हैं जिनका अक्षर केस अलग-अलग होता है। एक्सट्रैक्टर डोमेन को सामान्य नहीं करता है, URL टुकड़े नहीं हटाता है या यह तय नहीं करता है कि दो गंतव्य समकक्ष हैं। वे परिवर्तन जानबूझकर अलग-अलग पाठ को मर्ज कर सकते हैं, इसलिए आगे कोई भी सामान्यीकरण एक अलग जांचे गए चरण में होता है।
संख्याएँ भी - संख्यात्मक मानों को गद्य से बाहर निकालना, और क्यों दशमलव और हजारों विभाजक 'एक संख्या' को जितना लगता है उससे कम स्पष्ट बनाते हैं
संख्या निष्कर्षण एक वैकल्पिक ऋण चिह्न, एक या अधिक अंक और पूर्ण विराम द्वारा प्रस्तुत एक वैकल्पिक दशमलव भाग स्वीकार करता है। यह गद्य से `-12`, `48` और `3.75` खींच सकता है। URL और ईमेल निष्कर्षण के विपरीत, यह प्रत्येक मैच को सीधे लौटाता है, इसलिए दोहराए गए मान दोहराए जाते हैं और उनकी घटना गिनती को संरक्षित करते हैं।
समूहीकृत और स्थानीयकृत रूप उस सघन नियम की सीमा को उजागर करते हैं। `1,250` को `1` और `250` के रूप में लौटाया जाता है, जबकि `3,5` को भी दशमलव अल्पविराम के रूप में व्याख्या करने के बजाय विभाजित किया जाता है। मुद्रा चिह्न, घातांक और अग्रणी प्लस चिह्न किसी मिलान का हिस्सा नहीं हैं। किसी भी निकाले गए अंक का अर्थ बताने से पहले पास के पाठ को पढ़ें।
संख्याएँ भी: समूहीकृत मानों को एक संख्या माने बिना, हस्ताक्षरित पूर्णांक और दशमलव
इन नोट्स को आज़माएँ: `Email sam@example.com, then review https://example.com/plan. Backup: sam@example.com. Budget -12.5; seats 24. Reference (https://example.com/help).` ईमेल निकालें एक `sam@example.com` लौटाता है। URL निकालें उस क्रम में वाक्य पूर्ण विराम या समापन कोष्ठक के बिना योजना और सहायता पते लौटाता है।
मैन्युअल स्कैन में दो ईमेल उपस्थिति लेकिन एक अद्वितीय ईमेल परिणाम, दो अलग URL उपस्थिति और दो संख्या मिलान मिलना चाहिए। निकालने वाली संख्याएं `-12.5` और `24` लौटाती हैं; उदाहरण डोमेन के अंदर अंक मिलान नहीं जोड़ते क्योंकि कोई भी मौजूद नहीं है। यह जाँच घटना संख्या को डी-डुप्लिकेट संपर्क और लिंक सूचियों से अलग करती है।
इसमें क्या शामिल नहीं है - यह सत्यापित करना कि एक पता वास्तव में मौजूद है, और विदेशी लेकिन वैध पते व्यावहारिक पैटर्न से चूक जाते हैं
एक मिलान किया गया ईमेल केवल कार्यान्वित पैटर्न के आकार का टेक्स्ट होता है। ToolAcre मेल सर्वर से पूछताछ नहीं करता, परीक्षण संदेश नहीं भेजता या डोमेन रिकॉर्ड का निरीक्षण नहीं करता। इसलिए एक विश्वसनीय दिखने वाला टाइपो निष्कर्षण को विफल कर सकता है, जबकि एक असामान्य लेकिन उपयोगी पता छूट सकता है। सूची पर भरोसा करने से पहले एक उपयुक्त विश्वसनीय चैनल के माध्यम से महत्वपूर्ण संपर्कों की पुष्टि करें।
URL इसी प्रकार निष्कर्षण किसी पेज का अनुरोध नहीं करता है, रीडायरेक्ट का पालन नहीं करता है या परीक्षण नहीं करता है कि कोई गंतव्य सुरक्षित है या उपलब्ध है। इसके लिए एक स्पष्ट HTTP या HTTPS उपसर्ग की भी आवश्यकता होती है, इसलिए एक खाली `example.com` वापस नहीं किया जाता है। ये सीमाएँ निष्कर्षण को स्थानीय और पूर्वानुमानित रखती हैं, लेकिन वे मानव समीक्षा को किसी भी परिणामी वर्कफ़्लो का हिस्सा बनाती हैं।
टेकअवे - टेक्स्ट टूलकिट के निष्कर्षण बटन इन ट्रेड-ऑफ को स्पष्ट रूप से बनाते हैं और आपको अपने ब्राउज़र में एक साफ़, डी-डुप्लिकेट सूची देते हैं
निष्कर्षण बटन गद्य के मिश्रित ब्लॉक को ब्राउज़र में नई पंक्ति से अलग किए गए मिलानों में बदल देते हैं। URL और ईमेल व्यावहारिक पैटर्न का उपयोग करते हैं, सामान्य गद्य सीमाओं पर ट्रिम या रोकते हैं और पहली बार देखे गए क्रम में अद्वितीय मान लौटाते हैं। संख्याएँ एक छोटे हस्ताक्षरित-दशमलव पैटर्न का उपयोग करती हैं और डुप्लिकेट बनाए रखती हैं, जो एक सार्वभौमिक निष्कर्षण नीति के बजाय एक अलग फ़ंक्शन अनुबंध को दर्शाती हैं।
केवल वही नोट्स चिपकाएँ जिनकी आपको आवश्यकता है, एक्स्ट्रैक्ट URL और एक्स्ट्रैक्ट ईमेल अलग-अलग चलाएँ, और आगे की प्रतिलिपि बनाने से पहले प्रत्येक सूची की स्रोत से तुलना करें। स्वच्छ आउटपुट दोहराव वाली स्कैनिंग को हटा देता है, जबकि दस्तावेजित सीमाएँ दिखाती हैं कि निर्णय कहाँ आवश्यक है। असामान्य वाक्यविन्यास के लिए, समीक्षा के दौरान निकाले गए परिणाम के बगल में मूल अनुच्छेद रखें।