Python使用正则表达式从HTML字符串中精准提取邮箱地址

你当前用的Email:.+规则会无差别匹配Email:后的所有字符，既没有限定匹配范围，也没有做目标内容捕获，自然会把后面的HTML标签、无关文本全带出来，直接按下面两种方式调整即可：

方案1：正则直接提取（无额外依赖，适合当前固定结构场景） #

不用先抓整行再二次清洗，直接写规则定位Email:字段后的纯邮箱内容即可，自动跳过外层的<a>标签：

import re
Query_Email = re.findall(r'Email:\s*<a[^>]*>\s*([\w\.-]+@[\w\.-]+\.\w+)\s*</a>', msg_content[index_counter])

规则逻辑说明：

• 先匹配Email:标识，自动跳过后面的空白字符
• 跳过<a>标签的所有属性内容（包括href里的mailto内容都不做捕获）
• 仅捕获标签包裹的、符合邮箱格式的文本内容，碰到</a>就终止匹配，不会抓到后面的<br/>、Outlet字段等冗余内容
• 最终返回的列表直接就是纯文本格式的目标邮箱query-e1h1@email.net，不需要额外做字符串处理

如果后续邮箱外层可能换其他标签，也可以用更通用的非贪婪匹配写法：

Query_Email = re.findall(r'Email:.*?([\w\.-]+@[\w\.-]+\.\w+)', msg_content[index_counter])

把原来的贪婪匹配.+换成非贪婪匹配.*?，匹配到第一个符合邮箱格式的字符串就停止，不会无限制向后抓取冗余内容。

方案2：用HTML解析器提取（适配结构变动场景，容错性更好） #

如果后续HTML结构可能调整（比如邮箱外层标签变化、属性增减），用Python标准库自带的HTML解析器处理更稳妥，不需要硬编码适配标签结构：

from html.parser import HTMLParser
import re

class EmailParser(HTMLParser):
    def __init__(self):
        super().__init__()
        self.target_email = None
        self.email_flag = False
        self.email_rule = re.compile(r'[\w\.-]+@[\w\.-]+\.\w+')

    def handle_data(self, text):
        if 'Email:' in text:
            self.email_flag = True
        if self.email_flag:
            res = self.email_rule.search(text)
            if res:
                self.target_email = res.group()
                self.email_flag = False

parser = EmailParser()
parser.feed(msg_content[index_counter])
Query_Email = [parser.target_email] if parser.target_email else []

这种写法不依赖固定的标签结构，只要邮箱是跟在Email:字段后的合法地址，不管套了什么标签都能正常提取。

补充：不推荐用正则解析任意无规则的全量HTML，但针对这种固定字段、结构可预期的内容场景，方案1的正则写法足够简洁高效。

内容的提问来源于stack exchange，提问作者user3424298