Python: E-mail címek

... vagy nem kell átkonvertálni csak egyszerűen ismerje fel, hogy valós vagy sem az e-mail cím.
Én ezek elolvasásával állnék neki a feladatnak:
http://www.regular-expressions.info/email.html
http://www.regular-expressions.info/regexbuddy/email.html
http://docs.python.org/library/re.html

Egyéb infó a fenti 3 ponthoz:
1.)
http://docs.python.org/library/stdtypes.html#string-methods (Ctrl +F str.lower)
http://docs.python.org/library/string.html

2.)
(ezt más toolokkal sokkal egyszerűbben meg lehet oldani szerintem, pl.:http://packages.ubunut.com/oneiric/unaccent)
Nem igaz, lásd a lent említett: http://pypi.python.org/pypi/Unidecode
http://effbot.org/zone/unicode-convert.htm
https://bitbucket.org/timv/python-extras/src/c8f4f50b23bb/text/latin_to…
Nem igaz, lásd a lent: http://pypi.python.org/pypi/Unidecode
(Ez valóban sokkal jobbnak tűnik.)

3.)
http://docs.python.org/library/stdtypes.html#string-methods (Ctrl +F str.replace)
http://docs.python.org/library/re.html

Fogsz majd még szívni ezzel azzal.
Ha mindenképpen át akarod alakítani, akkor azzal kezdeném,
hogy először valami ASCII félét csinálnék belőle (unaccent), aztán jöhet a többi.
Ez is hülyeség, szintén lásd lent.

(Mindezeket úgy írom, hogy a Python tudásom nincs messze a 0-tól :))

Szerk.

1. fentebb túlragozva, lower()-t neki!
2. nézz utána: unicodedata (egészen pontosan unicodedata.normalize kell majd neked)
3. ??? ez logikai kérdés... Ha bátor vagy, próbáld ki ezt:
http://pastebin.com/thaF0S0A

Ha szerencséd van, kis pofozással menni fog.

Hozzavalok:
- Telepitsd fel az Unidecode modult:

sudo pip install Unidecode

Utana ezzel a scripttel tudsz kiserletezni:

#!/usr/bin/env python

from unidecode import unidecode
import sys, os
import re

EMAIL_PATTERN = re.compile(r'\A[0-9A-Za-z][0-9A-Za-z\.\+=-]+@([a-z0-9]([-a-z0-9]*[-a-z0-9])?\.)+[a-z]{2,6}\Z')

if len(sys.argv) < 2:
    print "Usage: %s TRANSLIT_STRING" % sys.argv[0]
    exit(1)


src = unicode(sys.argv[1], "UTF-8")

ret = src

if not EMAIL_PATTERN.match(src):
    # ASCII version
    asrc =  unidecode(src).lower()
    ret = re.sub(r'[^\w]+', '', asrc)

print "Transcoded version is: ", ret

Az Unidecode gyakorlatilag elvegzi neked a transliteration muveletet, ami a gyakorlatban a nem-ascii karakterek megfelelelo ASCII atirasat jelenti.

Biztos meg lehet core pythonnal is csinalni, mentsegemre szoljon, hogy ilyen 15 percet aldoztam az idombol erre, es nem is vagyok pythonos emberke... :-)

A fenti script nem a problema megoldasa, mert nem tudom, milyen formatumu az adatbazis, meg honnan jon. Ha tudsz egy kicsit a kigyok nyelven - en csak dadogva sziszegek - akkor a fenti scripttel mar el tudsz indulni. Ha nem, ird meg, milyen formatumu az adatbazisod, es megnezem, mit tudok vele kezdeni.
--

Ki oda vagyik, hol szall a galamb, elszalasztja a kincset itt alant. | Gentoo Portal 

> ... vagy nem kell átkonvertálni csak egyszerűen ismerje fel, hogy valós vagy sem az e-mail cím.

Én inkább ezt mondanám. Kb. mint: a papíron nem ismerhető fel az adóazonosító, tippeljek vagy ne fogadjam el?

Aki nem tudja helyesen leírni az email címét, attól nem várható el, hogy csak az ékezetekben tévedett.

szaszi