テキスト抽出

機能

• 11 種類：URL・メール・電話番号・IP・MAC アドレス・身分証番号・カード番号・日付・ハッシュタグ・@メンション・数値
• 6 つのプリセット：よく使う / すべて / ネットワーク / 連絡先 / 機微情報 / 数値のみ
• ⚠️ 確実なものだけを拾います —— 電話は号段を限定し、IP は各オクテットを検証し、カード番号は Luhn を、身分証番号はチェックディジットを要求します
• 種類ごとに、原文での出現位置（1 始まり・コードポイント単位。emoji でずれません）と件数の集計を表示
• ⚠️ 任意で「カンマを小数点として扱う」（`3,14` → `3.14`）。既定ではオフ —— `1,234` は英語圏では 1234 を意味するためです
• ⚠️ URL とメールの範囲が重なる場合は 1 回だけ数えます（URL を優先）。同じ箇所を二重に数えません
• 重複除去は値で行います：メールは大文字小文字を無視（同じアドレス）、URL は区別（パスの大文字小文字が別ページであることが多い）
• ⚠️ カード番号を拾ったときは「Luhn を通ってもカードとは限らない」と注記し、「番号チェック」での確認を促します
• 複数行の貼り付けにも対応し、出現位置順に並べます

使い方

1. テキストを貼り付けます
2. 「抽出する種類」でプリセットを選びます（既定はよく使う 4 種類）
3. 結果は種類ごとに並び、先頭に件数の集計が出ます

よくある質問

明らかに電話番号なのに抽出されないのはなぜですか？

市外局番のない番号は確認できないからです。10 桁の数字は電話番号かもしれず、注文番号・身分証の一部・タイムスタンプかもしれません —— 「電話番号が 37 件」に注文番号が 20 件混ざると、利用者は 1 件ずつ確認することになり、機能がないより面倒です。そこで中国の `1[3-9]` で始まる 11 桁と、`+` を明示した国際番号だけを対象にしています。他の形が必要なら正規表現の出番です（当サイトの「正規表現テスト」なら入力しながら一致を確認できます）。

カード番号に Luhn を要求するのはなぜですか？

桁数だけで拾うと大量のものが入るからです：13〜19 桁の数字の羅列はログの至るところにあります（注文番号、タイムスタンプ、長い ID）。Luhn はそのおよそ 9 割を弾きますが、すべてではありません —— たまたま Luhn を満たす長い数字は残ります。そこで個別には「番号チェック」で確認してください。あちらでは「チェックディジットの一致はカードの実在を意味しない」と説明しています。

URL とメールが重なった場合、二重に数えますか？

いいえ。`https://example.com/?to=a@b.com` には URL とメールの両方の形があり、URL の一致範囲のほうが広いため、何もしなければ同じ箇所を 2 つの種類がそれぞれ数えて集計が水増しされます。ここでは「占有済みの範囲」で処理し、具体的な種類から順に走査して、先に確保された範囲は後続が飛ばします。

重複除去で URL は大文字小文字を区別し、メールは区別しないのはなぜですか？

大文字小文字の意味が異なるからです。`a@b.com` と `A@B.COM` は同じメールボックスです（ドメインは大文字小文字を区別せず、ローカル部も実際上は区別されません）。一方 `https://x.com/A` と `https://x.com/a` は多くのサーバーで別のページです —— 統合するとリンクが 1 つしかないと誤解させます。

「カンマを小数点として扱う」が既定でオフなのはなぜですか？

数字の中のカンマは曖昧だからです。ヨーロッパや南米の多くでは `3,14` は 3.14 ですが、英語圏では `1,234` は 1234 です —— 同じカンマが、一方では小数点、他方では桁区切りになります。テキストだけでは判断できず、間違えると桁が変わります（1.234 と 1234）。しかも結果はごく普通に見えます。そこで既定ではオフとし、データの出所が分かったうえで必要なときだけオンにしてください。

出現位置はどう数えますか？

テキストの1 文字目から数え、コードポイント単位です —— emoji も 1 文字として数えます。そのため `👍 a@b.com` のメールは位置 3 で、文字列の添字で数えた 4 ではありません。同じ値が複数回現れる場合はすべての位置を列挙します（最大 20 件、それ以上は総数のみ）。位置は原文で 1 件ずつ確認するためにあります。