글에서 주소를 뽑아내는 일에 대하여
입력은 결코 깔끔하지 않습니다. 머리말에 주소 마흔 개가 달린 전달된 메일, HTML 한 페이지, 로그 파일, 누군가 잘못 내보낸 CSV, 대화 내보내기 같은 것들입니다. 주소는 그 안에 묻혀 있고, 꺾쇠와 mailto:, 그리고 주소가 아니라 문장에 속하는 마침표에 둘러싸여 있습니다.
붙여 넣으면 깔끔한 목록이 나옵니다. 업로드는 없습니다. 글이 브라우저를 벗어나는 일이 없는데, 그것이 고객 명단이거나 주고받은 메일일 때 이 점이 중요합니다.
주소가 어디서 끝나는지 압니다
쓸 만한 추출기와 인터넷에서 주워 온 정규식을 가르는 대목이 바로 이것입니다.
- 끝에 붙은 . , ; : ) ] > " '는 문장 부호이지 주소의 일부가 아닙니다. "bob@example.com. 으로 보내 주세요"에서는 bob@example.com이 나오지, 끝에 마침표가 붙은 주소가 나오지 않습니다
- 닫는 괄호가 URL에 속하는 것은 그 URL이 스스로 괄호를 열었을 때뿐입니다. (https://example.com/a 참고)는 a에서 끝나지만, https://ko.wikipedia.org/wiki/Foo_(bar)는 괄호를 지킵니다
- mailto:와 꺾쇠는 봉투이지 주소가 아니므로 걷어냅니다
- 전화번호는 모양이 아니라 길이로 한계를 둡니다. 7자리에서 15자리로, 이것이 전 세계 가입자 번호의 실제 범위입니다. 나라별 표기가 너무 다양해서, 엄격하게 잡으면 진짜 번호를 놓치게 됩니다
사용 방법
- 글을 붙여 넣거나 파일을 불러옵니다. 스프레드시트도 되는데, 주소가 한 열에 모여 있지 않고 여러 셀에 흩어져 있어도 상관없습니다
- 이메일, 링크, 전화번호 가운데 하나를 고릅니다
- 원본 개수가 필요한 게 아니라면 중복 없애기를 켠 채로 두세요. 한 대화에 마흔 번 나오는 같은 주소는 주소 하나입니다
- 나오는 모양을 고릅니다. 한 줄에 하나, 받는 사람 칸에 붙여 넣을 쉼표 구분, 또는 아웃룩용 세미콜론 구분입니다
- 목록을 복사하거나 CSV로 내려받습니다
개수는 두 숫자를 함께 보여 줍니다. 몇 개를 찾았는지와 중복 몇 개를 합쳤는지입니다. 무엇이 사라진 것처럼 보이지 않게 하기 위해서입니다.
이런 데 쓰입니다
- 배포 목록을 만들려고 전달받은 메일 묶음에서 모든 주소 꺼내기
- 확인하려고 페이지나 문서에서 링크 뽑아내기
- 긁어 오거나 내보낸 글 덩어리에서 연락처 추출하기
- 열이 일정하지 않은 스프레드시트에 묻힌 주소를 모두 찾기
- 문의 목록에서 전화번호 모으기
- 공유하기 전에 문서에 뜻밖의 주소가 들어 있지 않은지 확인하기
알아두면 좋은 점
- 어디서나 동작합니다. 웹 페이지이므로 휴대폰, 태블릿, 컴퓨터 어디서든 쓸 수 있습니다
- 업로드는 없습니다. 글을 훑는 일은 전부 브라우저 안에서 이루어집니다
- 이메일에는 소문자로가 켜져 있습니다. 로컬 부분은 실무상 대소문자를 가리지 않아 Bob@과 bob@은 한 주소이기 때문입니다. 전화번호에서는 뜻이 없으므로 건너뜁니다
- 스프레드시트를 불러오면 모든 시트를 읽으므로, 잊고 있던 탭에 있는 주소도 찾아냅니다
- 이것은 추출기이지 검증기가 아닙니다. 주소처럼 보이는 것을 찾을 뿐, 그것이 존재하는지 누가 읽는지는 확인하지 않습니다
- 결과는 책임 있게 사용해 주세요. 남의 문서에서 주소를 모아 원치 않는 메일을 보내는 일은 대부분의 나라에서 스팸 방지 및 개인정보 보호 법령에 따라 위법입니다
관련 도구
- 파일 안 텍스트 검색 — 글 한 덩어리가 아니라 폴더 전체를 검색하기
- 중복 줄 제거 — 어떤 텍스트 목록이든 정리하기
- 목록 정렬·알파벳순 정렬 — 결과를 다시 정렬하기
- 정규식 테스터 — 여기서 다루지 못하는 것을 위해 직접 패턴 만들기
