文本信息提取工具

文本信息提取工具介绍

文本提取工具用于从普通文字、日志和资料中查找邮箱地址、HTTP/HTTPS 网址、IPv4 地址或十进制数字，并将结果整理为每行一条的列表。可以移除完全相同的重复结果，保留原有出现顺序和大小写。所有提取逻辑在当前浏览器内执行，输入内容无需上传。

如何从文本中提取信息？

1. 粘贴待分析内容，一次最多 200,000 个 UTF-16 单元。
2. 选择邮箱地址、HTTP / HTTPS 网址、IPv4 地址或十进制数字。
3. 根据需要勾选“移除重复结果”，点击“开始提取”。
4. 核对结果及统计，复制列表或导出 TXT。修改输入或设置后需重新提取。

邮箱、网址、IP 与数字的提取规则

邮箱模式面向常见 ASCII 地址，地址总长最多 254 字符，本地部分最多 64 字符、域名最多 253 字符；拒绝本地部分首尾点号、连续点号、非法域名标签等格式。域名至少两段，末段为 2–63 个英文字母或 Punycode 标签。句末单个点号视作标点移除，长度按移除后的地址计算。它不覆盖完整 RFC 邮箱语法，不支持带引号的本地部分及国际化邮箱，也不会验证邮箱是否存在。

网址模式只查找 http:// 或 https:// 开头、含简单主机部分的候选，单条最多 2,048 个 UTF-16 单元。空白、英文引号、尖括号及 ，。；：！？、（）【】《》“”‘’ 这些中文句读作为分隔边界；例如 https://a.example/；https://b.example/ 会提取为两条。末尾英文逗号、句号、分号、感叹号和右括号等按启发式移除。真实网址也可能包含这些字符，提取后应人工核对；不解析 HTML 属性、不请求网页，也不保证网址语法完全有效。

IPv4 模式要求四个 0–255 的数字段，允许前导零并按十进制判断，原样输出。例如 192.168.1.10 有效，256.1.2.3 和 1.2.3.456 不会截取为局部合法地址。工具不提取 IPv6、不判断公网私网，也不查询 IP 归属。

数字模式支持 -12.5、+20、.75 和 2. 等写法，保留符号及前导零。不解析指数，因此 1e3 不会作为 1000，也不会拆出其中紧邻字母的部分数字。它不解析数学表达式、千分位或计量单位，标点分隔内容可能产生多条结果。

适用场景、使用优势与范围

适合整理已有资料中的联系方式、汇总引用网址、从日志中查找 IPv4 和筛选普通数字文本。输入上限为 200,000 个 UTF-16 单元，合法匹配上限为 10,000 条，去重前计数超出上限时会保留输入并提示缩小范围。

提取属于文本规则筛选，不验证地址可达性、主体身份或归属，不会自动访问、发送邮件或请求外部地址。去重区分大小写，[email protected] 与 [email protected] 是不同结果；不同网址参数、末尾斜线和编码形式不会自动归一。

进一步整理结果可使用 文本按行排序、文本按行去重或文本查找替换；需要检查网址编码可使用 URL 编码解码工具。

文本信息提取常见问答

没有匹配内容是工具出错了吗？

不一定。当前类型没有符合规则的内容时，仍会显示有效的空结果与零条统计。请确认选择了正确类型，并查看格式限制；此时不显示空内容的复制和导出按钮。

为什么提取出的邮箱或网址不能使用？

工具仅筛选文本格式，不验证邮箱是否存在或网址是否可访问。原始资料过期、权限限制和标点边界都可能影响结果，需要结合实际用途核对。

去重后顺序会改变吗？

不会。完全相同的文字仅保留第一次出现的结果，其他结果按原文中的出现顺序输出。关闭去重则保留每一次合法匹配。