在Python中过滤电子邮件和域名的最佳方法

Question

我有一份电子邮件和域名的列表，我想把它们作为黑名单来过滤掉。

对于电子邮件来说，这很简单，因为我可以直接比较电子邮件。但对于域名来说，像带有子域名的电子邮件也需要一起匹配。

比如说，对于foo.com这个域名，我需要过滤掉：

x@foo.com
x@subdomain.foo.com

通常是怎么做的呢？是用正则表达式吗？还是把电子邮件拆分成合适的字符串来处理？

Answer 1

那这个怎么样呢

.*foo\.com$

这样可以吗？

Answer 2

这是我能想到的最简单的方法：

>>> f = 'foo@subdomain.bar.com'
>>> '.'.join(f.split('.')[-2:])
'bar.com'

这个方法不使用正则表达式，只用了一行代码，非常容易理解。它可以提取出域名，而且不管这个域名是 .com、.net 还是其他的，都没关系。

然后你只需要把提取出来的域名和你的黑名单进行对比就可以了。

编辑： 好吧，对于 .co.uk 这样的域名等等

>>> import re
>>> def get_addr(email_addr):
        parts = re.split(r'[\@\.]', email_addr)
        return '.'.join(parts[(-3 if parts[-2] == 'co' else -2):])
>>> get_addr('foo@subdomain.bar.com')
'bar.com'
>>> get_addr('foo@subdomain.bar.co.uk')
'bar.co.uk'
>>> get_addr('foo@bar.com')
'bar.com'

编辑： @Wilduck 提到可能有一些情况，你想要过滤掉特定的子域名，但不想过滤其他的（比如 'community.ebay.co.uk'）。我想，你可能也想要把特定的邮箱地址加入黑名单，而不需要单独建立一个表（比如 exgirlfriend@gmail.com）。这是我的解决方案：

>>> def is_in_blacklist(addr):
...     #check if addr is in your list or db table
...     return True or False

>>> def addr_is_blacklisted(addr):
...     if not addr: return False
...     if is_in_blacklist(addr):
...         return True
...     sliced = '.'.join(addr.split('@' if '@' in addr else '.')[1:])
...     return addr_is_blacklisted(sliced)

这个方法是从头到尾拆解邮箱地址，并检查每个部分是否在你的黑名单中。显然，你不能通过一次查询就得到答案，但你可以逐个邮箱地址、子域名、域名，甚至顶级域名进行过滤。如果你愿意的话。平均来说，每个邮箱大约需要 3-4 次查询，如果你的黑名单很大，也不会让你崩溃。

Answer 3

我觉得最简单的方法是用 字符串方法 ends_with。这个方法的工作原理是这样的：

>>> blacklisted = 'foo.com'
>>> email = 'x@foo.com'
>>> email.endswith('foo.com')
True
>>> email = 'x@subdomain.foo.com'
>>> email.endswith('foo.com')
True

如果域名、邮箱或者其他东西以 'foo.com' 结尾，它就会返回真。你可以看到，这个方法会包括所有 'foo.com' 的子域名。更方便的是，你还可以把一个元组传给 endswith，所以如果你把黑名单域名放在一个元组里，你可以这样做：

>>> blacklisted = ('foo.com', 'bar.com')
>>> email = 'x@bar.com'
>>> email.endswith(blacklisted)
True

这样你甚至可以选择性地屏蔽一些子域名，而不是其他的。

>>> blacklisted = ('foo.com', 'bar.com', 'sub.baz.net')
>>> email_bad = 'x@sub.baz.net'
>>> email_bad.endswith(blacklisted)
True
>>> email_good = 'x@good.baz.net'
>>> email_good.endswith(blacklisted)
False

编辑： 针对 Avaris 的评论：

为了确保你不会遇到这种情况：

>>> blacklisted = ('bar.com', 'baz.com')
>>> email = 'x@foobar.com'
>>> email.endswith(blacklisted)
True

你可以在黑名单中同时包含 '.bar.com' 和 '@bar.com'。这样做的结果是

>>> blacklisted = ('.bar.com', '@bar.com', '.baz.com', '@baz.com')
>>> email = 'x@foobar.com'
>>> email.endswith(blacklisted)
False

显然，这样会多花一些功夫。到这里我觉得用这种方法和正则表达式相比，主要是个人喜好。虽然我尽量避免使用正则表达式，但对你来说，可能正则表达式更合适。