Email地址，URL地址，电话号码提取规则

这几天因为工作需要，需要在一堆文本中提取如下信息。规则如下：

1. 提取Email地址规则（依据RFC 2822 (RFC2822)）

1). 区别字符记号 "@"

Mail 本文中，“@” 的前后地址使用的字符为许可使用的1个或者多个。

2). mail 地址许可使用的字符及最大字符数

Mail 地址可以使用以下82 个字符：

ABCDEFGHIJKLMNOPQRSTUVWXYZ

abcdefghijklmnopqrstuvwxyz

0123456789

!#$%&'*+-./=?^_{|}~

“@”在外的93个ASCII 字符中，禁止使用以下 11 个字符 ：

"(),:;<>[/]

包括“@” 最多可以识别64 个字符。 超过64个字节以外的任何允许使用的字符都不能被识别作为E-mail 地址。

延伸阅读：The Elements of an Email Address

RFC 2822

2. 提取URL地址规则(依据RFC 1738 (RFC1738))

1). 区别字符记号（这里简单讨论一般非智能手机使用规则，只支持http访问）

在以下UR L 标识后面跟随一个或多个( 后面 URL 格式中允许使用的) 字符的情况，到一个区分字符（后面URL 格式中允许使用的文字以外的任何其他字符）出现为止均为此URL 的一部分。

http://

https://

2). URL 允许使用的字符及最大字符数

允许使用以下91 个文字：

ABCDEFGHIJKLMNOPQRSTUVWXYZ

abcdefghijklmnopqrstuvwxyz

0123456789

!#$%&'()*+,-./:;=?@[/]^_`{|}~

94个ASCII 文字中，禁止使用以下3个文字：

"<>

包括URL 区别字符最大可以识别256 个字节的字符。 超过256的任何字符URL 将不予识别。

3. 提取电话号码规则

1). 号码可以包括一个和多个以下字符“0”~“9” ，“*”和“#”。

2). 3 <= 号码长度 <= 32

3).“+”可以做为一个号码的开始，但不能计算到号码长度中。

4).“Space”, “-“, “(“, “)”，这四个字符可以穿插在一条电话号码中，但提取后必须忽略掉这些字符，这些字符同样不能计算到号码长度中。

举例如下：

Example	Message text	Anchored number	Number to dial
1	01/01/2005	not anchor	-
2	January 2005	January 2005	2005
3	*99#	*99#	*99#
4	99#2*	99#2*	99#2*
5	*9#	*9#	*9#
6	+39	not anchor	-
7	+391	+391	+391
8	tel:+39	not anchor	-
9	tel:+391	tel: +391	+391
10	391 091	391 091	391091
11	+(0)44-8	+(0)44-8	+0448
12	123, 456	123 , 456	Two different num: 123 and 456