如何从pd中提取电子邮件

Question

我试图用pdfminer和正则表达式从简历中提取电子邮件

from io import StringIO
from pdfminer3.pdfinterp import PDFResourceManager, PDFPageInterpreter
from pdfminer3.converter import TextConverter
from pdfminer3.layout import LAParams
from pdfminer3.pdfpage import PDFPage
import re

def get_cv_email(self, cv_path):
    pagenums = set()
    output = StringIO()
    manager = PDFResourceManager()
    converter = TextConverter(manager, output, laparams=LAParams())
    interpreter = PDFPageInterpreter(manager, converter)
    infile = open(cv_path, 'rb')
    for page in PDFPage.get_pages(infile, pagenums):
        interpreter.process_page(page)
    infile.close()
    converter.close()
    text = output.getvalue()
    output.close()
    match = re.search(r'[\w\.-]+@[\w\.-]+', text)
    email = match.group(0)
    return email

大部分简历的邮件都被成功地提取出来了，但并不是一直都能正常工作

示例：jayannathanthcdh@gmail.com教育资格认证在

更新：如果电子邮件以大写字母开头，我如何编辑正则表达式以忽略电子邮件后面的内容

Answer 1

试试这个：\w+(?:[.-]\w+)*@\w+(?:[.-]\w+)+[.-][a-z_0-9]+(?=[A-Z]|(?!=[.-])\b)

只要邮件的最后一部分是小写，它就可以工作。它将匹配，直到后跟大写字母或单词边界。在

此外，regex应该更精确地使用破折号和圆点，从而处理不应该有效的内容，如a-.@foo a等

你有一个演示here

Answer 2

根据您在匹配电子邮件时匹配的最后一条注释，直到它在@后找到一个大写字母，您可以使用以下正则表达式：

[\w\.-]+@[a-z0-9\.-]+

举个例子：

^{pr2}$