如何防止将短字符串添加到集合中

Question

我正试着解析一些文本文件中的电子邮件。基于https://gist.github.com/dideler/5219706，我有：

def getEmails(freeText):

    r = re.compile(("([a-z0-9!#$%&'*+\/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+\/=?^_`"
                        "{|}~-]+)*(@|\sat\s)(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?(\.|"
                        "\sdot\s))+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?)"))

    results = r.findall(freeText)
    myset = set() # USING A SET AVOIDS DUPLICATES
    for x in results:
        if len(x)>2:
            myset.add(str(x))

    return myset

这很好用，但是我得到了一组看起来像：

"('myname@abc.org', '@', '.')

我加了一句：

if len(x)>2:

希望这将消除返回集的单个字符结果，但正如您所看到的，它不起作用。为什么不行？我怎么才能解决这个问题才能得到真正的电子邮件呢？

Answer 1

你不需要检查长度。在两个捕获组之间转换为非捕获组，如下所示。

([a-z0-9!#$%&'*+\/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+\/=?^_`{|}~-]+)*(?:@|\sat\s)(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?(?:\.|\sdot\s))+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?)
                                                                   ^                                              ^
                                                                   |                                              |

演示

Answer 2

如果仔细查看您发送的链接中的程序(第28行)，您会发现它们只使用regex结果元组的第一个元素。

所以你可能想要改变这个：

for x in results:
    if len(x)>2:
        myset.add(str(x))

转入：

for x in results:        
    if len(x[0])>2:
        myset.add(x[0])

...or只是改变了正则表达式