텍스트 추출 (이메일 · URL · 숫자)

‘검증’이 아니라 ‘추출’이다

이 도구는 뒤섞인 글에서 원하는 조각만 걷어냅니다. 고객 문의 로그에서 이메일만, 회의록에서 링크만, 주문서에서 전화번호만 — 나머지 문장은 버리고 필요한 것만 모읍니다. 손으로 하나씩 긁어 복사하던 일을 한 번에 끝내는 게 목적입니다.

중요한 구분이 하나 있습니다. 이건 검증기가 아니라 추출기입니다. 이메일 주소가 진짜 규격에 맞는지 심사하는 게 아니라, 글 속에서 ‘이메일처럼 생긴 것’을 찾아냅니다. 왜 이 구분이 중요할까요? 이메일 표준(RFC 5322)은 놀랄 만큼 복잡해서, 그걸 곧이곧대로 검사하면 멀쩡한 주소를 놓치거나정규식이 감당 못 할 만큼 비대해집니다. 실무에서 원하는 건 “이 글에 들어 있는 연락처를 다 모아 줘”지, “이게 국제 표준에 부합하는가”가 아닙니다.

패턴이 어디까지 잡는지

정직하게, 각 종류가 무엇을 잡고 무엇을 놓치는지 밝힙니다.

• 이메일 — 이름@도메인.최상위 형태. @ 앞부분에 한글은 받지 않습니다(오탐 방지). a@b.co.kr 같은 다단계 도메인도 잡습니다.
• URL — http://, https://, 또는 www.로 시작하는 것. 뒤에 딸려온 마침표·닫는 괄호는 떼어내고, 쿼리 문자열(?a=1)은 살립니다.
• 숫자 — 정수·소수·천 단위 콤마(1,234.5)·음수. 전화번호처럼 하이픈으로 이어진 것은 조각조각 잡히므로, 전화번호는 전용 종류를 쓰세요.
• 해시태그·멘션 — 해시태그는 한글·숫자·밑줄까지(#여행), 멘션은 영문·숫자·밑줄(@user_1). SNS 계정이 대부분 영문이라 그렇습니다.
• 전화번호 — 한국식(휴대폰·지역번호). 대략적이라 다른 숫자열이 함께 걸릴 수 있으니, 뽑은 뒤 한 번 훑어보세요.

패턴은 ‘완벽한 문법’이 아니라 ‘실용적인 그물’입니다. 너무 촘촘하면 정상값을 놓치고, 너무 성기면 쓰레기가 딸려 옵니다. 그 사이에서 흔한 형태를 넉넉히 잡는 쪽으로 맞췄고, 어디서 헐거운지는 위에 적어 두었습니다.

뽑은 뒤의 정리가 도구의 절반이다

조각을 뽑아내는 것만으로는 반쪽짜리입니다. 게시글에서 이메일을 뽑으면 같은 주소가 수십 번 나오고, 그대로는 발송 명단으로 쓸 수 없습니다. 그래서 추출과 같은 자리에서 정리까지 합니다.

• 중복 제거 — 같은 값은 처음 하나만 남깁니다. 문자열을 Set 으로 처리해constructor 같은 특수한 값이 들어와도 조용히 어긋나지 않습니다.
• 정렬 — 코드포인트 사전순으로 줄 세워 훑어보기 좋게 만듭니다. 로케일에 기대지 않아 어느 브라우저에서든 같은 순서가 나옵니다.
• 구분자 — 줄바꿈·쉼표·공백 중에 붙여넣을 곳에 맞춰 고릅니다. 스프레드 시트에는 줄바꿈, 코드에는 쉼표가 편합니다.

이럴 때 씁니다

• 문의 로그에서 연락처 모으기 — 이메일·전화번호를 뽑아 중복을 걷어내면 바로 명단이 됩니다.
• 게시글에서 링크만 — 참고 URL을 한 번에 모아 정리합니다.
• SNS 글 분석 — 해시태그·멘션을 뽑아 어떤 태그가 얼마나 쓰였는지 훑어봅니다.
• 표에서 숫자만 — 설명이 섞인 텍스트에서 수치만 걷어내 계산에 넘깁니다.

정리하면

• 검증이 아니라 추출입니다. 흔한 형태를 넉넉히 잡고, 헐거운 곳은 숨기지 않습니다.
• 정리까지가 한 세트입니다. 중복 제거·정렬·구분자로 바로 쓸 수 있는 목록을 만듭니다.
• 결과는 한 번 훑어보세요. 특히 전화번호는 대략적 패턴이라 확인이 필요합니다.