Extractor de texto

Funciones

• Once tipos: enlaces, correos, teléfonos, IP, MAC, documentos chinos, números de tarjeta, fechas, etiquetas, menciones con @ y números
• Seis preajustes para cambiar de uno en uno: habitual / todo / red / contacto / datos sensibles / solo números
• ⚠️ Solo coincidencias seguras — teléfonos limitados a rangos conocidos, IP validadas octeto a octeto, tarjetas obligadas a pasar Luhn, documentos con el dígito de control correcto
• Agrupado por tipo, cada acierto con sus posiciones en el texto (contadas desde 1 y por puntos de código, así que los emoji no las desplazan) y un recuento
• ⚠️ Opción «coma como separador decimal» (`3,14` → `3.14`), desactivada por defecto porque `1,234` en la costumbre inglesa son mil doscientos treinta y cuatro
• ⚠️ Los enlaces y los correos solapados cuentan una sola vez (gana el enlace), así que nada se cuenta dos veces
• La deduplicación es por valor: los correos ignoran mayúsculas (es la misma dirección), los enlaces no (el uso de mayúsculas en la ruta suele ser dos páginas distintas)
• ⚠️ Cuando aparece un número de tarjeta, una nota avisa de que pasar Luhn no lo convierte en una tarjeta y remite al validador de números
• Da igual cuántas líneas pegues; los resultados se ordenan por posición

Cómo se usa

1. Pega el texto
2. Elige un preajuste en «Qué extraer» (por defecto, los cuatro tipos habituales)
3. Los resultados se agrupan por tipo, con el recuento arriba

Preguntas frecuentes

¿Por qué se saltó un número que claramente es un teléfono?

Porque un número sin prefijo internacional ni código de área no se puede confirmar. Una tirada de diez dígitos puede ser un teléfono, un número de pedido, parte de un documento o una marca de tiempo — y un resultado de «37 teléfonos» con 20 pedidos dentro obliga a revisarlos todos, que es peor que nada. Por eso solo se aceptan móviles chinos de 11 dígitos que empiezan por `1[3-9]` y números internacionales con un `+` explícito. Para otras formas, la herramienta adecuada es una expresión regular (el probador de expresiones regulares de este sitio muestra las coincidencias mientras escribes).

¿Por qué un número de tarjeta tiene que pasar Luhn?

Porque casar solo por longitud arrastra de todo: en un log hay tiradas de 13 a 19 dígitos por todas partes — números de pedido, marcas de tiempo, identificadores largos. Luhn filtra unos nueve de cada diez, pero no todos: un número largo que resulta pasar Luhn se cuela igual. Así que comprueba los valores uno a uno con el validador de números, que explica que un dígito de control correcto no significa que la tarjeta exista.

¿Los enlaces y los correos solapados cuentan dos veces?

No. `https://example.com/?to=a@b.com` contiene a la vez un enlace y algo con forma de correo, y la coincidencia del enlace es más amplia: sin gestionarlo, el mismo tramo lo contaría cada categoría y el recuento saldría inflado. Se resuelve con intervalos ocupados: las categorías se recorren de la más específica a la más general, y los tramos ya reclamados los saltan las siguientes.

¿Por qué la deduplicación distingue mayúsculas en los enlaces pero no en los correos?

Porque las mayúsculas significan cosas distintas en cada uno. `a@b.com` y `A@B.COM` son el mismo buzón (los dominios no distinguen mayúsculas, y la parte local en la práctica tampoco), así que deben contar una vez. En cambio `https://x.com/A` y `https://x.com/a` son dos páginas distintas en muchos servidores: fusionarlas haría creer que solo hay un enlace.

¿Por qué «coma como separador decimal» está desactivada por defecto?

Porque una coma dentro de un número es ambigua. En buena parte de Europa y Sudamérica `3,14` es tres coma catorce, mientras que en la costumbre inglesa `1,234` son mil doscientos treinta y cuatro: la misma coma, separador decimal en una costumbre y de millares en la otra. Nada en el texto decide cuál es, y equivocarse cambia el orden de magnitud (1,234 frente a 1234) mientras el resultado sigue pareciendo del todo normal. Así que se queda desactivada hasta que sepas de dónde vienen los datos.

¿Cómo se cuentan las posiciones?

Desde el primer carácter del texto, por puntos de código, de modo que un emoji cuenta como un carácter. Por eso el correo de `👍 a@b.com` está en la posición 3 y no en la 4 que daría un índice de cadena. Cuando un valor aparece más de una vez se listan todas las posiciones (hasta 20; a partir de ahí, solo el total), y están para que localices cada acierto en el original.