手工复制粘贴100站邮箱电话花整天漏掉近三分之一，20行Python正则跑500站3分钟邮箱有效率97%，联系方式批量提取方案详解

网站联系方式提取这件事，从手动到自动有四个层级：

联系方式提取常用的正则表达式：

Python批量提取脚本（可直接复制使用）

import requestsimport reimport pandas as pdfrom urllib.parse import urlparse# 读取URL列表（Excel文件，第一列为网址）df_urls = pd.read_excel('urls.xlsx', header=None)urls = df_urls[0].tolist()# 正则表达式EMAIL_PATTERN = r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}'PHONE_PATTERN = r'1[3-9]\d{9}'TEL_PATTERN = r'0\d{2,3}[-\s]?\d{7,8}'QQ_PATTERN = r'[1-9]\d{4,10}'headers = {'User-Agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36'}results = []for url in urls:url = str(url).strip()if not url.startswith('http'):url = 'https://' + urldomain = urlparse(url).netloctry:resp = requests.get(url, headers=headers, timeout=10)html = resp.textemails = list(set(re.findall(EMAIL_PATTERN, html)))phones = list(set(re.findall(PHONE_PATTERN, html)))tels = list(set(re.findall(TEL_PATTERN, html)))qqs = list(set(re.findall(QQ_PATTERN, html)))results.append({'网站': url,'域名': domain,'邮箱': '; '.join(emails) if emails else '未找到','手机号': '; '.join(phones) if phones else '未找到','座机': '; '.join(tels) if tels else '未找到','QQ': '; '.join(qqs) if qqs else '未找到'})print(f'✅ {domain}')except Exception as e:results.append({'网站': url, '域名': domain,'邮箱': f'访问失败: {str(e)[:50]}','手机号': '', '座机': '', 'QQ': ''})print(f'❌ {domain}: {str(e)[:50]}')# 导出结果df_result = pd.DataFrame(results)df_result.to_excel('联系方式提取结果.xlsx', index=False)print(f'\n提取完成，共处理 {len(results)} 个网站')

Playwright方案：处理JS渲染的网页（需要 pip install playwright）

from playwright.sync_api import sync_playwrightimport reEMAIL_PATTERN = r'[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}'def extract_from_page(url):with sync_playwright() as p:browser = p.chromium.launch(headless=True)page = browser.new_page()try:page.goto(url, timeout=15000, wait_until='domcontentloaded')# 等待页面完全渲染page.wait_for_timeout(2000)html = page.content()emails = list(set(re.findall(EMAIL_PATTERN, html)))return emailsfinally:browser.close()# 使用方式和requests方案一样，逐个传入URL即可emails = extract_from_page('https://example.com/contact')print(emails)

• 只提取网站公开显示的联系方式，不要尝试绕过登录验证、不要攻击网站漏洞、不要从数据库直接拖数据
• 控制访问频率，高频爬取可能被认定为对目标网站的攻击行为（DDoS性质的访问）
• 遵守robots.txt，如果网站明确在robots.txt中禁止爬虫访问，应当遵守
• 提取的邮箱只能用于合法商业联系，不能用于群发垃圾邮件、不能转卖、不能用于诈骗
• 涉及欧盟用户的数据需遵守GDPR，中国大陆需遵守《个人信息保护法》
• 用于外贸客户开发时注意出口管制和制裁名单，部分国家的公司联系信息受到贸易管制

核心要点：

• 10个以内网站用Chrome插件（Email Extractor免费、Hunter.io/Snov.io功能更全）
• 50个以上必须写Python脚本，requests+正则方案覆盖85-90%的网站
• JS渲染的网站用Playwright/Selenium无头浏览器，覆盖率95-99%但速度慢
• 邮箱正则：[a-zA-Z0-9._%+-]+@[a-zA-Z0-9.-]+\.[a-zA-Z]{2,}；手机号：1[3-9]\d{9}
• 提取完必须做三步处理：去重过滤无效邮箱、SMTP验证有效性、关联原始网站上下文
• 注意合规边界：只提取公开信息、控制访问频率、遵守robots.txt、不群发垃圾邮件
• 效率技巧：先requests快速筛，未命中的再用Playwright补漏，兼顾速度和覆盖率