Công cụ làm sạch danh sách email lộn xộn — lọc, khử trùng, phân nhóm

Bài toán quen thuộc: một danh sách email gom từ nhiều nguồn — form đăng ký, file xuất từ CRM, sổ tay ai đó gõ tay. Trong đó có địa chỉ sai chính tả, có dòng không phải email, có cùng một người xuất hiện ba lần dưới ba cách viết khác nhau. Gửi thẳng vào công cụ email marketing thì tỉ lệ bị chặn tăng, mà ngồi lọc tay vài nghìn dòng thì hết buổi. Mình viết một công cụ dòng lệnh làm sạch danh sách đó: tách địa chỉ ra khỏi dòng thô, kiểm tính hợp lệ, khử trùng lặp, chuẩn hoá, tự gắn nhãn theo nhóm, rồi xuất ra CSV và JSON. Hai điểm mình cho là quan trọng nhất: Thứ nhất, mỗi địa chỉ bị loại đều ghi rõ LÝ DO và SỐ DÒNG trong file gốc. Bạn mở file rejected.csv ra là biết ngay dòng 66 bị loại vì có dấu cách ở giữa, dòng 74 vì đuôi tên miền chỉ có một chữ. Không có chuyện công cụ im lặng vứt mất dữ liệu của bạn. Thứ hai, khử trùng lặp hiểu được hai mẹo của Gmail. Dấu chấm trong phần tên không có ý nghĩa, và mọi thứ sau dấu cộng chỉ là nhãn phân loại người dùng tự thêm. Nên cùng một hộp thư viết theo ba kiểu khác nhau vẫn được gộp về đúng một dòng. Các công cụ đơn giản hay bỏ sót chỗ này, và đó chính là lý do danh sách phình lên vì trùng mà không ai nhìn ra. Ngoài ra: tự gắn nhãn theo tên miền hoặc theo phần tên trước @ (khách hàng, hộp thư miễn phí, hộp thư phòng ban); tự sinh một file tổng kết đếm theo tên miền, theo nhãn, theo từng loại lỗi. Đổi luật không cần đụng vào code. Danh sách đuôi tên miền cho phép, danh sách tên miền cấm, luật gắn nhãn, những cột muốn xuất ra — tất cả nằm trong một file cấu hình. Yêu cầu của bạn khác đi thì sửa cấu hình, không phải viết lại công cụ. Đo thật ngày 10/09/2026 trên máy để bàn: 500.000 dòng chạy hết 5,5 giây, RAM đỉnh 374 MB — vì nó đọc từng dòng chứ không nạp cả file vào bộ nhớ. Python 3, chỉ dùng thư viện chuẩn, không phải cài thêm gì.