如何改进电子邮件提取正则表达式以避免无效匹配？

问题根因 #

你当前使用的正则对邮箱域名后缀的规则限制过宽，没有校验顶级域名的合法格式，也没有排除版本号、图片命名这类场景中带@的非邮箱字符串：

• 允许后缀出现纯数字（比如slick-carousel@1.8.1里的8.1被误判为后缀）
• 没有限制顶级域名的格式要求，导致png这类资源后缀也会被判定为合法邮箱后缀

修复方案 #

调整正则，增加边界限制和域名后缀校验规则：

# 修复后的提取代码
email = re.findall(r'\b[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+\.[A-Z|a-z]{2,}\b', siteresponse.text)

调整点说明： #

• 新增\b单词边界，避免从长文件名、版本号中间截取匹配片段
• 把顶级域名的匹配规则修改为[A-Z|a-z]{2,}，要求最后一级后缀必须是2位及以上的纯字母，直接排除纯数字后缀的无效匹配
• 可选优化：如果需要适配包含中文的邮箱前缀，可以把前缀的A-Za-z0-9替换为\w，不会影响后缀的校验效果

补充优化 #

如果需要进一步降低误判率，可以在正则匹配完成后新增一步过滤逻辑，直接排除后缀为png、jpg、js、css这类常见资源格式的结果即可。

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