如何过滤纯文本垃圾邮件？求助正则表达式过滤方案

嘿，我之前也碰到过这种表面没规律但硬带链接的纯文本垃圾邮件，折腾了一阵总结了几个靠谱的方向，分享给你：

核心思路：抓链接的“猫腻”+ 文本的“反常” #

这类邮件看似无迹可寻，但带链接是绕不开的核心特征，结合文本里的异常点组合过滤，比单一正则靠谱太多。

1. 死磕链接的可疑特征 #

垃圾邮件的链接几乎都有破绽，从这几个角度挖：

• 仿冒正规域名：
  很多垃圾邮件会用字符替换模仿大厂域名，比如amaz0n.com（0代替o）、paypa1.com（1代替l），可以写正则匹配这类仿冒模式。比如针对亚马逊的：

  \b(amaz[0o]n|amazon\.cn|amazon\.com)\b
  

  另外，免费小众域名（比如.tk、.ml、.ga这类）也是重灾区，维护个可疑后缀列表，用正则扫：

  https?://\S+\.(tk|ml|ga|cf|gq)\b
  

• 诱导性参数/关键词：
  链接里常带click、track、verify、redirect这类诱导跳转的词，或者一堆乱码参数，正则可以抓：

  https?://\S+(click|track|verify|redirect|unsubscribe)\S+
  

• 短链接跳转：
  虽然正常短链接也不少，但垃圾邮件爱用bit.ly、tinyurl.com这类短链藏真实地址，结合前后的诱导文本（比如“点击领取”“立即查看”）一起判断：

  (点击领取|立即查看|限时优惠)\s*https?://(bit\.ly|tinyurl\.com)\S+
  

2. 捕捉文本的反常信号 #

纯文本垃圾邮件的文本细节里藏着很多线索：

• 高频诱导词汇堆砌：
  反复出现“免费”“中奖”“返利”“限时”“紧急”这类词，密度远高于正常邮件，用正则匹配多个这类词的组合：

  \b(免费|中奖|返利|限时|紧急|领取|点击)\b.*\b(免费|中奖|返利|限时|紧急|领取|点击)\b
  

• 无意义重复/语法混乱：
  很多是机器生成的凑数内容，比如连续重复的词、不通顺的句子，正则可以抓重复模式：

  (\b\w+\b)\s+\1\s+\1  # 匹配连续重复三次的词汇
  

• 泛化称呼无个性化：
  开头全是“尊敬的用户”“亲爱的朋友”这类没具体姓名的泛称，结合链接一起判断：

  ^(尊敬的用户|亲爱的朋友|您好)\s.*https?://\S+
  

3. 组合规则，别用单一正则硬刚 #

单一正则很容易误杀正常邮件，建议用多规则加权的方式：

• 比如：链接匹配可疑域名（+3分）+ 文本包含2个以上诱导词（+2分）+ 无具体称呼（+1分），总分超过4分就标记为垃圾。
• 另外，一定要定期更新你的可疑域名和词汇列表，垃圾邮件的套路一直在变，得跟着调整。

4. 两个辅助小技巧 #

• 解析链接的真实跳转地址：很多短链背后是恶意域名，提取链接后解析真实地址，再用正则匹配黑名单域名。
• 统计链接数量：正常纯文本邮件很少带链接，甚至不带，如果一封纯文本邮件里有2个以上链接，直接拉高高可疑度。

内容的提问来源于stack exchange，提问作者G H