從網頁抓取 Email 地址是數據採集、線索挖掘、安全審計的常見需求。本文提供兩個遞進版本的 PHP 實現:基礎正則提取與帶去重驗證的增強版,並討論合規性邊界。
function getEmail($html) {
// 簡單通用模式:用戶名@域名
$pattern = '/([a-z0-9_.-]+@[a-z0-9.-]+\.[a-z]{2,})/i';
preg_match_all($pattern, $html, $matches);
return array_unique($matches[0]); // 去重
}
$url = 'https://example.com';
$html = file_get_contents($url);
print_r(getEmail($html));
function extractEmails($html, $options = []) {
$defaults = [
'strict' => true, // RFC 5322 嚴格模式
'dedupe' => true, // 去重
'filter_disposable' => false, // 過濾一次性郵箱
'max_results' => 1000,
];
$opt = array_merge($defaults, $options);
// RFC 5322 簡化版(生產建議用 egulias/EmailValidator 庫)
$pattern = $opt['strict']
? '/[a-z0-9!#$%&\'*+\/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&\'*+\/=?^_`{|}~-]+)*@(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?/i'
: '/[a-z0-9_.-]+@[a-z0-9.-]+\.[a-z]{2,}/i';
preg_match_all($pattern, $html, $matches);
$emails = $matches[0];
if ($opt['dedupe']) $emails = array_unique($emails);
if ($opt['filter_disposable']) {
$disposable = ['tempmail.com','10minutemail.com','guerrillamail.com']; // 擴展名單
$emails = array_filter($emails, fn($e) => !in_array(strtolower(substr(strrchr($e, '@'), 1)), $disposable));
}
return array_slice(array_values($emails), 0, $opt['max_results']);
}
robots.txt 並遵守 Crawl-delay、Disallow。Goutte / Symfony Panther / spatie/crawler 等成熟爬蟲框架,自動處理重定向、Cookie、JS 渲染、並發控制。egulias/email-validator 做 RFC 級驗證,支援 DNS MX 記錄檢查(可選)。技術本身中性,關鍵在於使用場景與合規意識。請在法律允許、道德可接受的前提下負責任地應用。