Pythonの正規表現でテキストからメールアドレスを抽出する方法

メールアドレスは非常に複雑で、世界中で統一された標準規格が存在しないため、正規表現だけでメールアドレスを正確に識別するのは容易ではありません。そこで役立つのが RFC 5322 です。この規格ではメールアドレスの形式が定義されており、本記事ではこの形式をもとに、テキストからメールアドレスを抽出する方法を解説します。

たとえば、次のような入力文字列が与えられた場合を考えてみましょう。

Hi my name is John and email address is john.doe@somecompany.co.uk and my friend's email is jane_doe124@gmail.com

このとき、期待される出力は以下のとおりです。

john.doe@somecompany.co.uk
jane_doe124@gmail.com

メールアドレス抽出用の正規表現パターン

メールアドレスの抽出には、次のような正規表現パターンを使用できます。

[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+

このパターンの各要素は、それぞれ次のような役割を持っています。

[a-zA-Z0-9_.+-]+ … メールアドレスのローカル部(ユーザー名)。英数字・ドット・アンダースコア・プラス・ハイフンを1文字以上許容します。
@ … ローカル部とドメイン部を区切るアットマークです。
[a-zA-Z0-9-]+ … ドメイン名の本体。英数字とハイフンで構成されます。
\.[a-zA-Z0-9-.]+ … ドットとトップレベルドメイン(TLD)以降の部分にマッチします。

Pythonコードでの実装例

標準ライブラリの re モジュールが提供する findall() メソッドを使うと、文字列内に含まれるすべてのメールアドレスをリストとして簡単に取得できます。

import re

my_str = "Hi my name is John and email address is john.doe@somecompany.co.uk and my friend's email is jane_doe124@gmail.com"
emails = re.findall(r"([a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+)", my_str)

for mail in emails:
    print(mail)

なお、正規表現パターンを記述する際は、バックスラッシュのエスケープ処理を避けるために、先頭に「r」を付けたraw文字列(r"...")で指定するのがPythonの慣用的な書き方です。

実行結果

このコードを実行すると、次の出力が得られます。

john.doe@somecompany.co.uk
jane_doe124@gmail.com

findall() はマッチしたすべての文字列をリストで返すため、複数のメールアドレスが含まれるテキストでも一度の処理でまとめて抽出できる点が便利です。ログ解析やスクレイピングなど、大量のテキストデータから連絡先情報を収集したい場面で活用してみてください。