使用Python抓取网站电子邮件

Question

在我的Python代码中，我使用正则表达式来查找电子邮件：

soup = BeautifulSoup(driver.page_source, "html.parser")
text_email = soup.get_text()
emails1 = re.findall(r'([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,6})', str(text_email))

大约90%的情况下，这段代码能正确返回电子邮件地址。

但是下面有一个例子，它返回了错误的电子邮件格式。

在网页上：

https:// s7health.pl/kontakt/

我们有电话、电子邮件和一些文本：

71 342 88 41
info@s7health.pl
Infolinia medyczna

上述文本的源代码是：

<a class="text-decoration-underline" href="tel:+48713428841">71 342 88 41</a><br /><a class="text-decoration-underline" href="mailto:info@s7health.pl">info@s7health.pl</a></div><style>.porto-u-3166.porto-u-heading{text-align:left}</style></div><div class="porto-u-heading  wpb_custom_95aa9a11c17ad45cfabaf210d84ee7cc porto-u-4257"><div class="porto-u-main-heading"><h3   style="font-weight:700;color:#0c6d70;font-size:1em;line-height:24px;">Infolinia medyczna</h3></div>

我的代码返回的电子邮件是：

41info@s7health.plInfo

但应该返回的电子邮件是：

info@s7health.pl

除了使用mailto短语查找电子邮件的问题——这个短语可能并不存在，为什么电子邮件中会多出这些额外的字符呢？这个问题怎么解决呢？

祝好

Answer 1

问题不在于正则表达式：

from bs4 import BeautifulSoup
import requests
import re

url = 'https://s7health.pl/kontakt/'

response = requests.get(url)

soup = BeautifulSoup(response.content, 'html.parser')

email_regex = r'([a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,6})'
email_addresses = re.findall(email_regex, response.text)

for email in email_addresses:
    print(email)

结果是：

info@s7health.pl
info@s7health.pl
ajax-loader@2x.gif