如何解决电子邮件地址之间的问题（如空格）

Question

所以我最近尝试使用 OCR 从文档中提取文本。有时，OCR 在字符之间添加一个“空格”。当它是电子邮件地址时，这会成为一个问题。

例如， 电子邮件：adil.idris2019@gmail.com ------> adil.idris2019@gmail.com

我正在尝试使用正则表达式来解决这个问题。

import re
txt = "wldeub 777-29378-88 @@ Email:adil.idris 2019@gmail.com dfhdu fdlfkos"
txt1 = "Email:michael wobbly@gmail.com 777-123-0000"
txt2 = "Email: john_jebrasky@ gmail.com TX, USA"
txt3 = "john_jebrasky @gmail.com TX, USA"
txt4 = "I am proficient in python. geekcoder 12@gmail.com TX, USA"

out = re.search("Email\:?.+com",txt)
re.sub("Email\:","",re.sub(" ","",out.group(0)))

很遗憾，这只是硬编码修复。注意：在某些情况下，Email: 一词可能不会作为电子邮件的前缀出现。 如果没有电子邮件，或者文本不符合任何标准模式怎么办？？

理想输出：“adil.idris2019@gmail.com”

Answer 1

仅使用正则表达式来解决这个问题有点困难。 您可以尝试将其分为两个步骤。

您可以（非常）粗略估计可能是一封电子邮件的内容。

((?:[^\"@:+={}()|\s]+ ?){1,3}\@ ?\w+(?: ?\. ?\w+)+)

[^@:+={}()|\s] 完全是在黑暗中拍摄的，但我怀疑这些字符会突然在 OCR 中作为误报出现。 这实际上将尝试匹配 1 到 3 个 ({1,3}) 文本块，这些文本块可能由空格 (...\s]+ ?)...) 分隔，这些文本块不包含 [^@:+={}()|\s] 中的一个字符，并且位于 @ 之前。然后它将尝试匹配一系列域名及其扩展名（.co.uk、.com），可能用空格分隔 ?。

然后您可以从匹配的序列中删除所有空格，并检查它们是否是具有正确库/正则表达式的有效电子邮件地址：How to check for valid email address?

不是最干净的解决方案，但我希望它有所帮助。

编辑

我看到您现在正在使用捕获组，这可以解释为什么如果您尝试过它对您不起作用。现在应该修好了。

RegexR example