使用负向环视过滤异常邮箱时正则匹配失效问题求解

错误点整理 #

• 负向前瞻位置完全错误：你把(?!https?://.*)放在用户名匹配结束之后，只会检查当前位置（用户名末尾、@前面）的后续内容是否包含http，而不会回溯检查匹配到的内容前面有没有https://前缀，完全没命中你要过滤的场景。
• 域名正则缺少量词：@[a-zA-Z0-9\._-]\.[a-zA-Z0-9]没有加+量词，只能匹配单字符域名+单字符后缀，比如a.b，根本无法匹配siteB.com这类正常域名，你之前能匹配到长内容大概率是测试时正则漏写了加号。
• 没有限制匹配起始位置的前缀：re.search会从字符串任意位置开始匹配，你没有限制匹配到的邮箱前面不能有http:///https://前缀，所以会从URL中间的siteA.com位置开始匹配，出现错误结果。

正确实现方案 #

我们通过固定长度负向回顾断言过滤URL带@的错误场景，兼容re.search的全局搜索逻辑，代码如下：

import re
# 基础版正则
regex = r"(?<!http://)(?<!https://)[a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+\.[a-zA-Z0-9]+"
# 如果需要更严格的域名后缀限制（比如后缀至少2位且为字母），可以用下面的版本
# regex = r"(?<!http://)(?<!https://)[a-zA-Z0-9._-]+@[a-zA-Z0-9._-]+\.[a-zA-Z]{2,}"
email_search = re.compile(regex)

# 测试错误场景，返回None，符合预期
print(email_search.search("https://siteA.com@siteB.com"))
# 测试正常邮箱，返回匹配结果
print(email_search.search("我的邮箱是test@example.com欢迎联系"))

正则说明 #

• (?<!http://)(?<!https://)：负向回顾断言，限制匹配到的邮箱用户名起始位置前面，不能出现http://或者https://前缀，完美过滤URL带@的错误场景，Python的re模块支持固定长度的负向回顾，这里两个前缀长度固定（7位、8位），可以正常使用。
• 补全了域名部分的+量词，可以匹配多字符域名和后缀，比如siteB.com、xxx.com.cn都能正常匹配。

内容的提问来源于stack exchange，提问作者A.Y