如何根据电子邮件地址后缀过滤表格

Question

我有一个包含超过 100K 名称和地址的表。我想过滤表格以仅保留那些我认为不是垃圾邮件的电子邮件。

我有这样的地址示例

[email protected]
[email protected]
[email protected]

我现在想过滤那些在

@

符号之前只有数字的地址，以及那些在

@

之后、后缀

.com

之前只有数字的电子邮件。

我知道我可以使用

str_split

和

grepl

提取它们，但我无法将它们放入

filter

查询中以将它们从表中删除。

pattern <- "[email protected]"
str_split(pattern, '@') # this will split the address based on the sumbol

str_split(string = str_split(pattern, '@')[[1]][2], pattern = "\\.") # this will split the doamin name based on the dot separating the suffix from the numbers.

as.numeric(str_split(string = str_split(pattern, '@')[[1]][2], pattern = "\\.")[[1]][1]) # This for example will check if the string extracted above contains only numbers, if not it will return NA

但是如何将其组合到

tidyverse

查询中？

谢谢

附注 我知道这是一个牵强的问题，但是有没有某种可以在 R 中使用的电子邮件地址垃圾邮件过滤器？

Answer 1

我认为这种模式应该可以帮助您根据您的情况识别垃圾邮件。

(\\d+)@|@\\d+\\.com

要在

filter

中使用它，您可以使用

grepl

或

str_detect

中的

stringr

。

data %>% filter(grepl('(\\d+)@|@\\d+\\.com', email))

要获取不是垃圾邮件的行，请使用

!

否定条件。

data %>% filter(!grepl('(\\d+)@|@\\d+\\.com', email))

---

示例：

x <- c('[email protected]', '[email protected]', '[email protected]', '[email protected]')
grepl('(\\d+)@|@\\d+\\.com', x)
#[1]  TRUE  TRUE  TRUE FALSE