电子邮件地址提取器

一个使用纯Rust编写的闪电般的命令行工具，可以从指定路径中的文件中自动提取电子邮件地址。

支持的文件类型

• 纯文本（txt、csv、sql、json、html、xml等）
• 便携式文档格式（pdf）
• 微软Word（docx）
• 微软Excel（xlsx）
• 微软PowerPoint（pptx）
• OpenOffice Writer（odt）
• OpenOffice电子表格（ods）
• OpenDocument演示文稿（odp）

用法

  cargo run --release /path/to/file

该工具将提取的电子邮件地址写入当前目录中名为emails.txt的纯文本文件。

示例

使用由Have I Been Pwned提供的示例文件，该文件包含1000万条典型的泄露数据记录，我们确认此工具成功提取了1000万个电子邮件地址。

在\sample文件夹中，提供了多个示例文件，以展示该工具从各种文件格式中提取电子邮件地址的能力。

这些示例文件包括

• file.html
• file.json
• file.odp
• file.ods
• file.odt
• file.pdf
• file.pptx
• file.sql
• file.txt
• file.xlsx
• file.xml

背景

本项目受到Have I Been Pwned的启发，旨在帮助从数据泄露中提取电子邮件地址，这些数据通常以csv或sql等纯文本文件格式存在。通过使用HashSet，我们确保输出没有重复。

目前，在纯Rust中处理多种文件类型还没有一种完美的解决方案。在这里，我们使用魔数来识别文件的MIME类型，然后根据该知识尝试提取文本内容。并非所有文件类型都使用相同的编码，并且一些文件格式实际上是包含多个不同文件类型的zip存档，例如xml。

要从文本中提取电子邮件地址，我们使用众所周知的正则表达式 \b[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,}\b，它可以很好地匹配 任何 电子邮件地址。制定一个 完美 的正则表达式来验证电子邮件地址实际上并不简单。关于这个主题的 讨论、正则表达式 和 解决方案 都是具有争议性的。真正验证电子邮件地址的唯一方法是将电子邮件发送到该地址，这显然不是我们要做的事情。

路线图

• 同时从多个文件中提取电子邮件地址