Que buen aporte bro.
Se mira bien.... le daré una leida a ver si se me ocurre alguna idea para expandirlo

Saludos..! 

Tal y como tienes ahora mismo el regex del email, no acepta este tipo de emails (debería):

Pero estos si los acepta (no debería):

Lo mismo con el resto de caracteres especiales válidos para un email, no los acepta según el orden en el que estén.

He optimizado bastante el regex del email, mira a ver si puedes usarlo en python:


La parte local cumple todos estos requisitos:

PD: también la detección de 2 puntos en la parte local: "a.b.c@hotmail.com"

Lo de sólo letras inglesas me lo he saltado porque juraría haber visto emails con la C trencada "Ç" y digo yo que los chinos, egipcios, etc... no usarán letras inglesas para sus emails.

La parte del dominio no la he exprimido del todo, aún tengo que informarme sobre los detalles, pero acepta por ejemplo "user@blabla.com.edu" y "user@blabla.museum", así que por el momento funciona genial el regex.

También falta limitar el regex a cadenas de menos de 254 caracteres según el límite válido para la longitud de un email.
He actualizado el RegEx para que solo encuentre cadenas de menos de hasta 254 caracteres.

Un saludo!

Hola,

Vengo a trollear un poco xD

Sabiais que


Es un correo valido ? xD Lo propongo como idea nada mas.. lo mismo pasa con las direcciones IPv6 pero esas no las admite ni gmail xD

Saludos

Técnicamente puede haber hasta 127 sub niveles de dominio. Osease, w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.w.........com xD

En ningún caso, el dominio (completo) puede exceder los 253 caracteres y los nombres de los "sub-dominios" no pueden exceder de los 63. Esto significa básicamente que en: parte3.parte2.com, parte3 o parte2 no pueden exceder de los 63 caracteres.

Mas info aquí:

2.3.4. Size limits
http://tools.ietf.org/html/rfc1035

PD: El dominio mas largo del mundo xD
http://www.thelongestdomainnameintheworldandthensomeandthensomemoreandmore.com/
http://www.thelongestlistofthelongeststuffatthelongestdomainnameatlonglast.com

Son iguales de longitud (63 caracteres) pasa que este tipo de fuente... no es monospace xD

---

Básicamente (según mis cálculos) lo que quiere decir esto es que en un correo (nombre@dominio.com) el nombre no debería de exceder los 63~64 caracteres para que se adapte a cualquier dominio.

Y si queréis una cuenta email con un dominio largo..
abcdefghijklmnopqrstuvwxyzabcdefghijklmnopqrstuvwxyzabcdefghijk.com ofrece cuentas gratuitas xD

Saludos

porcierto aqui esta el que hace busquedas en google  :3

no esta terminado, por que google te banea aveces.. xD pero igual a alguien le interesa.

# -*- coding: utf-8 -*-
## by kase: kase@boredsoft.com  
import requests,re,os,time,sys
from argparse import ArgumentParser, RawTextHelpFormatter
 
 
parser = ArgumentParser(description="google dorks email spider ", version="1.0", formatter_class=RawTextHelpFormatter) 
## -url
parser.add_argument("-b",  dest="busqueda", help='Cadena a buscar en google entre comillas')
## -max_links links 
parser.add_argument("-p",  dest="paginas", help='Maximo de paginas a analizar en google (cada pagina contiene 10 enlaces) por defecto 10')
argumento = parser.parse_args()
 
dominio = 'http://google.com.mx'
mailsrch = re.compile(r"[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*@(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+(?:[A-Z]{2}|com|org|net|edu|gov|mil|biz|info|mobi|name|aero|asia|jobs|museum|mx|com\.mx|xxx|tv|tk)\b")
urlssrch = re.compile(r'href=[\'"]?([^\'" >]+)') 
googlesrch = re.compile(r'href=[\'"]?/url\?q=([^\'" &]+)')
contador = 0
links_internos = []
links_visitados = []
emails_capturados = []
if not argumento.paginas: 
	paginas = 10
else:
	paginas = argumento.paginas
 
## recorre las paginas de google (de 10 en 10)
for x in range(0,paginas):
	r=requests.get(dominio+''+'/search?q=%s&start=%s&num=100' % (argumento.busqueda,contador))
	contador +=100	
 
	links_google = googlesrch.findall( r.text)
	##recorre los links que arroje los resultados de google	
	for link in links_google:
		time.sleep(15)		
		r2=requests.get(link)
		emails = mailsrch.findall(r2.text)
		##detecta los emails encontrados en la web de resultado		
		for email in  emails:
			if email not in emails_capturados:
				emails_capturados.append(email)		
		## recorre un nivel en los enlaces de la web resultado bajo la teoria de que deben ser de tematica similar		
		links = urlssrch.findall( r2.text)
 
		########## informe de pantalla	
		if sys.platform.startswith('win'):
		    # Windows
		    os.system('cls')
		elif sys.platform.startswith('linux'):
		    # Linux
		    os.system('clear')
		elif sys.platform.startswith('cygwin'):
		    # Windows (Cygwin)
		    os.system('cmd /c cls')
		elif sys.platform.startswith('darwin'):
		    # MacOSX
		    os.system('clear')
		elif sys.platform.startswith('freebsd'):
		    # FreeBSD
		    os.system('clear')	
		print 'parametro de busqueda: ' , argumento.busqueda 
		print 'pagina checada: ', contador/10
		print 'paginas por checar: ', paginas - (contador/10)
		print 'emails capturados: ', len(emails_capturados)
		print 'url victima actual: ', r2.url	
		##fin de informe de pantalla
 
		while links:
			try:			
				link = links.pop()						
				if not link[0] == '/':				
					r3=requests.get(link)
				##else:  falta codigo para detectar el dominio :(
			except:
				ci = os.system('ping -c 1 google.com') ## checa si hay conexion de internet
				if ci == 0:  #si existe conexion elimina el enlace muerto 
					link = links.pop()
 
			#guarda emails de el nivel 2.
			emails = mailsrch.findall(r3.text)
			for email in  emails:
				if email not in emails_capturados:
					emails_capturados.append(email)
 
f = open('google_%s.txt' % argumento_busqueda.replace('.','_'),'w+')
f.write("\n".join(emails_capturados))
f.close()