文本提取工具：从杂乱文本中快速提取有用信息

为什么需要文本提取工具

日常工作里，我们经常要从杂乱文本里捞出特定字段——客户留言里的邮箱、访问日志里的 IP、会议纪要里的链接、网页源码里夹在标签中的联系方式。

一条条复制粘贴，面对几百上千条记录既慢又容易漏。自己写正则又容易匹配不全，或把不该匹配的片段一起捞进来。

Text extractor 文本提取工具内置常用提取模式，并可在匹配前做 HTML 去标签与空白合并，适合把「非结构化粘贴」变成「可复制的一行一条结果」。

手动提取的痛点

• 效率低：大批量记录靠肉眼扫描耗时明显
• 易遗漏：格式一变就跳过
• 边界不准：多选或少选字符很常见
• 重复劳动：换一批文本又要重做同样操作

核心功能介绍

邮箱地址提取

从任意文本中识别常见电子邮件地址。

匹配规则要点：

• 用户名支持字母、数字、点、下划线、加号、减号（如 admin+test@…）
• 域名支持多级与连字符（如 sub-domain.example.com）
• 面向常见 ASCII 邮箱；中文域名等特殊形态请用自定义正则

输入文本：
"请联系 sales@example.com 或 support@company.cn，也可以发邮件给 admin+test@domain.org"

提取结果：
sales@example.com
support@company.cn
admin+test@domain.org

手机号码提取

提取中国大陆手机号码，并规范化输出为 11 位数字。

匹配规则要点：

• 以 1 开头，第二位为 3–9，共 11 位
• 支持 +86 / 86 前缀
• 支持中间空格或横杠（如 186-0000-1111）
• 无效长度会被丢弃，不会当成手机号输出

输入文本：
"联系方式：13812345678，备用号 15987654321，也可以打 +86 186-0000-1111"

提取结果：
13812345678
15987654321
18600001111

URL 链接提取

提取以 http:// 或 https:// 开头的网址，保留路径、查询参数与锚点，并去掉句末多余标点。

匹配规则要点：

• 协议限定为 http / https（避免把裸域名误当成完整 URL）
• 支持路径、查询串与 # 锚点
• 句号、逗号等尾随标点会被裁掉，减少粘贴句子时的脏数据

输入文本：
"访问 https://www.example.com/path?query=1#section 了解详情，或点击 http://test.org/page。"

提取结果：
https://www.example.com/path?query=1#section
http://test.org/page

IP 地址提取

提取合法 IPv4 地址（每段 0–255），过滤明显非法的四段数字。

输入文本：
"服务器 IP：192.168.1.100，网关 10.0.0.1，外部地址 203.0.113.25:8080"

提取结果：
192.168.1.100
10.0.0.1
203.0.113.25

数字提取

适合从报价、日志字段或表格粘贴里捞出数值。

匹配规则要点：

• 支持整数与小数
• 支持正负号（如 -12.5）
• 支持科学计数法（如 1.2e-3）

若同一段文本里还有手机号或 IP，数字模式也会匹配其中的数字片段——需要「整段手机号」时请改用手机号模式。

大陆居民身份证（18 位）提取

身份证标签先按 18 位形态抓取，再只保留通过 GB 11643 校验的号码（行政区划前缀、日历出生日期、ISO 7064 MOD 11-2 校验位）。仅仅「长得像」但校验位错误的串会被丢掉，避免 OCR 噪声进表格。

输入文本：
"申请人 11010519491231002X，录入错误 110105194912310020"

提取结果：
11010519491231002X

这是格式 + 校验位层面的过滤，不宣称该号曾被签发。单号交互核对请用身份证校验；需要合成测试夹具见中国测试数据生成。

中文连续片段

中文标签提取连续的汉字（CJK 统一表意文字，\u4e00–\u9fa5）。像 订单ABC已发货 会得到 订单 与 已发货 两段。短语被硬换行拆开时，可再开 合并空白。这不是分词——一整段不断开的长串不会被「猜」成词边界。

预处理：去除 HTML 标签与合并空白

从浏览器「查看源代码」或邮件 HTML 里复制时，标签、script、属性会干扰正则。勾选 去除 HTML 标签 后，工具会先去掉 script/style/注释与标签，再解码常见实体，然后才做提取。

勾选 合并空白 会把连续空白（空格、制表、换行）压成单个空格并去掉首尾空白，适合把排版杂乱的粘贴变成更易匹配的一行流。

两个选项可与任意内置类型或自定义正则叠加；去重 对内置与自定义模式都生效，按首次出现顺序保留。

HTML 输入（开启去标签后抽邮箱）：
<p>联系 <a href="mailto:a@b.com">a@b.com</a></p>
<script>noise@x.com</script>

提取结果：
a@b.com

使用场景与案例

场景一：从客户留言中提取联系方式

留言格式五花八门：有人写邮箱，有人写电话，有人两者混在一段话里。粘贴整段后，分别切到邮箱 / 手机号标签，再开去重，即可得到可导入表格的列表。

场景二：日志分析排查问题

日志里常有 URL 与 IP。用 URL 或 IP 模式批量抽出后配合去重，可快速看到独立访问来源数量。自定义正则适合抽订单号、请求 ID 等业务字段——可先在 regex tester 里验证模式，再贴回提取工具。

场景三：从网页源码收集链接与邮箱

竞品页或文档站往往是 HTML。先开「去除 HTML 标签」，再抽 URL 或邮箱，比在标签噪声里肉眼找更稳。若源码缩进很重，可再开「合并空白」。

误报速查

实用技巧

1. 先用小样本确认规则

批量跑之前，用十几条典型样本看一眼结果：有没有漏匹配、有没有把别的数字当成手机号。预设覆盖常见形态，但不等于覆盖全世界所有合法变体。

2. 去重要开在「统计独立值」时

同一 IP 或邮箱在日志里反复出现时，去重后的条数才接近「独立实体」数量。若你要保留每次出现（例如按出现顺序做审计），就关掉去重。

3. 注意隐私与本地处理

手机号、邮箱、身份证号都属于个人信息。本站文本提取在浏览器本地完成，不会把粘贴内容上传服务器；在公共电脑上用完记得清空输入。

4. 复杂格式交给自定义正则

订单号、工号、内部工单前缀等，用自定义正则更合适。注意避免嵌套量词一类易触发灾难回溯的写法；工具对自定义模式有超时与风险拦截。表达式不简单时，先在 正则测试 里起草再贴回。

5. 结果导出靠复制

当前结果区支持按行复制。需要进 Excel 时，复制后粘贴到表格即可；若还要做行级加前缀、过滤，可接到 行批量处理 或 文本去重。

结语

文本提取把重复的「捞字段」工作交给规则，把精力留给核对与后续整理。若你经常从杂乱文本里抽邮箱、手机号、URL、身份证或中文片段，可以试试 ToolVault 工具匣的文本提取工具：多种内置模式（含校验位过滤的身份证）、HTML 去标签、合并空白与去重，纯前端运行，无需注册。

排查注记

每个内置模式都把「匹配规则要点」写出来，是因为预设覆盖常见形态、不等于覆盖所有合法变体——实用技巧第一条就是先用十几条小样本确认规则再批量跑。身份证模式是唯一带校验的：按 18 位形态抓取后再过 GB 11643 校验位，长得像但校验位错误的串直接丢掉，避免 OCR 噪声进表格，同时明确这是格式层面的过滤、不宣称该号曾被签发。误报速查表把最常见的一坑放在第一行：数字模式会连带捞出手机号和 IP 里的数字段，要整段实体就换对应的模式。