La méthode en 4 étapes
Une extraction fiable suit généralement ce processus :
- Repérer les chaînes qui ressemblent à des adresses e-mail.
- Nettoyer les caractères ajoutés par le texte, comme un point ou une parenthèse finale.
- Normaliser les valeurs utilisées pour comparer les adresses.
- Dédupliquer les résultats avec un
Seten JavaScript ou unseten Python.
Une expression régulière pratique pour les formats courants est :
[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+.[A-Za-z]{2,}
Elle détecte notamment contact@exemple.com et prenom.nom+test@entreprise.fr. Elle ne valide toutefois pas toutes les adresses autorisées par les standards et ne vérifie pas qu’une boîte aux lettres existe.
Gérer les doublons correctement
Doublons strictement identiques
Si le texte contient deux fois contact@exemple.com, une seule occurrence doit être conservée. Un ensemble de valeurs uniques permet de vérifier rapidement si une adresse a déjà été rencontrée.
Différences de casse
Le domaine étant insensible à la casse, vous pouvez le convertir en minuscules pour la comparaison :
Contact@Exemple.com
Contact@exemple.com
La partie locale, située avant @, peut théoriquement être sensible à la casse. Il est donc préférable de conserver sa valeur originale et de ne normaliser automatiquement que le domaine, sauf si votre projet définit une règle plus stricte.
Exemple JavaScript
Le drapeau g permet de récupérer toutes les correspondances. Le Set conserve les clés déjà rencontrées tout en respectant l’ordre d’apparition.
const texte = `
Contact : Contact@Exemple.com.
Autre adresse : support@exemple.com
Contact@Exemple.com
`;
const motif = /[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+.[A-Za-z]{2,}/g;
const trouvees = texte.match(motif) ?? [];
const vues = new Set();
const uniques = [];
for (const adresse of trouvees) {
const nettoyee = adresse
.trim()
.replace(/[.,;:!?)}]]+$/, "");
const [partieLocale, domaine] = nettoyee.split("@");
const cle = `${partieLocale}@${domaine.toLowerCase()}`;
if (!vues.has(cle)) {
vues.add(cle);
uniques.push(nettoyee);
}
}
console.log(uniques);
Résultat :
["Contact@Exemple.com", "support@exemple.com"]
Le tableau conserve la première version rencontrée, tandis que la clé normalisée sert uniquement à détecter les doublons.
Exemple Python
import re
texte = """
Contact : Contact@Exemple.com.
Autre adresse : support@exemple.com
Contact@Exemple.com
"""
motif = r"[A-Za-z0-9._%+-]+@[A-Za-z0-9.-]+.[A-Za-z]{2,}"
trouvees = re.findall(motif, texte)
vues = set()
uniques = []
for adresse in trouvees:
nettoyee = adresse.strip().rstrip(".,;:!?)]}")
partie_locale, domaine = nettoyee.rsplit("@", 1)
cle = f"{partie_locale}@{domaine.lower()}"
if cle not in vues:
vues.add(cle)
uniques.append(nettoyee)
print(uniques)
re.findall() renvoie les correspondances dans l’ordre de lecture. Le set sert ensuite à suivre les clés déjà utilisées.
Nettoyer les adresses extraites
Dans une phrase, une adresse peut être suivie d’un point, d’une virgule ou d’une parenthèse :
Écrivez à contact@exemple.com.
L’expression régulière peut récupérer l’adresse sans la ponctuation dans la plupart des cas, mais un nettoyage complémentaire reste utile lorsque les adresses sont entourées de caractères particuliers. Conservez idéalement deux valeurs :
- l’adresse originale nettoyée, destinée à l’affichage ou à l’export ;
- la clé normalisée, destinée à la comparaison.
Limites et précautions
- Extraction et validation sont différentes : une correspondance syntaxique ne garantit pas que l’adresse existe.
- Ne modifiez pas les règles propres aux fournisseurs : supprimer les points ou interpréter automatiquement un signe
+peut changer l’adresse. - Testez les cas réels : sous-domaines, adresses avec
+, chevrons, URL et ponctuation. - Pensez aux adresses internationales : une expression limitée aux caractères ASCII peut ne pas détecter toutes les adresses compatibles avec les extensions SMTP internationales.
- Maîtrisez la taille des textes : pour des contenus fournis par des utilisateurs, évitez les expressions régulières inutilement complexes et limitez les traitements coûteux.
Pour un besoin important, utilisez ensuite une bibliothèque de validation maintenue. Cette étape peut vérifier la structure plus précisément, mais elle ne prouve pas que la boîte aux lettres est active.