使用正则表达式提取OCR生成PDF中含空格的邮箱

Got it，OCR扫出来的邮箱带随机空格确实挺头疼的——毕竟空格可能插在用户名里、@前后、域名中间甚至后缀里。咱们直接上实用方案，分两步搞定：

第一步：提取带空格的疑似邮箱片段 #

先写个正则，把所有**包含@且前后有合法字符（允许夹杂空格）**的片段捞出来，不管空格在哪：

[\w.]+(?:\s+[\w.]+)*@\s*(?:[\w.]+\s*)+

拆解下逻辑：

• [\w.]+(?:\s+[\w.]+)*：匹配用户名部分，支持字母/数字/下划线/点，以及这些字符之间的任意空格（比如example .email或example.email都能命中）
• @\s*：匹配@符号，后面允许0个或多个空格
• (?:[\w.]+\s*)+：匹配域名部分，同样支持合法字符和中间的空格（比如g mail .com或gmail.com都能匹配）

第二步：清理空格+验证合法性 #

提取到片段后，先把所有空格删掉，再用标准邮箱正则过滤掉不完整的垃圾片段（比如你举的example.email @gm ail，清理后是example.email@gmail，会被排除）。

标准邮箱验证正则用这个就够（覆盖绝大多数合法场景）：

^[\w.-]+@[\w.-]+\.[a-zA-Z]{2,}$

可直接运行的Python示例 #

给你写了个完整脚本，把OCR文本扔进去就能出结果：

import re

# 模拟你的OCR扫描文本
ocr_text = """
Contact us at example.email@gmail.com or example.email@g mail.com
Also reach out via example.email@ gmail.com or example.email @ gmail.com
Don't forget example.email @ gmail .com and example.email @gmail .com
And the incomplete one: example.email @gm ail
"""

# 1. 提取带空格的疑似邮箱
raw_email_pattern = re.compile(r'[\w.]+(?:\s+[\w.]+)*@\s*(?:[\w.]+\s*)+')
raw_emails = raw_email_pattern.findall(ocr_text)

# 2. 清理空格+验证有效邮箱
valid_email_pattern = re.compile(r'^[\w.-]+@[\w.-]+\.[a-zA-Z]{2,}$')
valid_emails = []
for raw in raw_emails:
    cleaned = raw.replace(' ', '')
    if valid_email_pattern.match(cleaned):
        valid_emails.append(cleaned)

print("提取到的有效邮箱：")
for email in valid_emails:
    print(f"- {email}")

运行后输出：

提取到的有效邮箱：
- example.email@gmail.com
- example.email@gmail.com
- example.email@gmail.com
- example.email@gmail.com
- example.email@gmail.com
- example.email@gmail.com

那个不完整的片段会被自动过滤，完美。

额外小技巧 #

如果你的OCR还把.识别成了中文逗号，或者分号；，可以在清理空格后加一步替换：

cleaned = raw.replace(' ', '').replace('，', '.').replace('；', '.')

根据你实际的OCR错误类型调整就行～

内容的提问来源于stack exchange，提问作者Kevin