如何使用python获取电子邮件的文本内容？ [英] How can I get an email message's text content using python?

问题描述

在Python 2.6中给出RFC822消息，如何获取正确的文本/简单内容部分？基本上，我想要的算法是这样的：

  message = email.message_from_string（raw_message）
如果has_mime_part（message， text / plain）
 mime_part = get_mime_part（message，text / plain）
 text_content = decode_mime_part（mime_part）
 elif has_mime_part（message，text / html）：
 mime_part = get_mime_part（message，text / html）
 html = decode_mime_part（mime_part）
 text_content = render_html_to_plaintext（html）
 else：
＃fallback 
 text_content = str（message）
 return text_content 
  

在这些东西中，我有code> get_mime_part 和 has_mime_part down pat，但我不太清楚如何从MIME部分获取解码的文本。我可以使用 get_payload（）获取编码的文本，但如果我尝试使用 decode 参数 get_payload（）方法（请参阅该文档）当我在文本/简单部分调用它时，我收到一个错误：

 文件/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/email/message.py，第189行，在get_payload 
 raise TypeError（'预期列表，得到％s'％type（self._payload））
 TypeError：预期列表，得到< type'str'> 
  

此外，我不知道如何使用HTML并尽可能地将其呈现给文本

解决方案

在多部分电子邮件中， email.message.Message.get_payload（） code>返回一个列表，每个部分有一个项目。最简单的方法是步行消息并获取每个部分的有效载荷：

 导入电子邮件
 msg =电子邮件。 message_from_string（raw_message）
部分在msg.walk（）中：
＃每个部分是非多部分或另一个多部分消息
＃，其中包含更多部分...消息已组织像一棵树
如果part.get_content_type（）=='text / plain'：
打印part.get_payload（）＃打印原始文本
  

对于非多部分消息，无需执行所有步骤。你可以直接去get_payload（），而不管content_type如何。

  msg = email.message_from_string（raw_message）
 msg .get_payload（）
  

如果内容被编码，你需要通过无作为 get_payload（）的第一个参数，后跟True（解码标志是第二个参数）。例如，假设我的电子邮件包含MS Word文档附件：

  msg = email.message_from_string（raw_message）
 for part in msg.walk（）：
 if part.get_content_type（）=='application / msword'：
 name = part.get_param（'name'）或'MyDoc.doc'
f = open（name，'wb'）
 f.write（part.get_payload（None，True））＃你需要None作为第一个参数
＃，因为part.is_multipart（）
＃是False 
 f.close（）
  

HTML部分的文字近似值，我发现 html2text 工作得很好。 p>


Given an RFC822 message in Python 2.6, how can I get the right text/plain content part? Basically, the algorithm I want is this:

message = email.message_from_string(raw_message)
if has_mime_part(message, "text/plain"):
    mime_part = get_mime_part(message, "text/plain")
    text_content = decode_mime_part(mime_part)
elif has_mime_part(message, "text/html"):
    mime_part = get_mime_part(message, "text/html")
    html = decode_mime_part(mime_part)
    text_content = render_html_to_plaintext(html)
else:
    # fallback
    text_content = str(message)
return text_content

Of these things, I have get_mime_part and has_mime_part down pat, but I'm not quite sure how to get the decoded text from the MIME part. I can get the encoded text using get_payload(), but if I try to use the decode parameter of the get_payload() method (see the doc) I get an error when I call it on the text/plain part:

  File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/email/message.py", line 189, in get_payload
    raise TypeError('Expected list, got %s' % type(self._payload))
TypeError: Expected list, got <type 'str'>

In addition, I don't know how to take HTML and render it to text as closely as possible.

解决方案

In a multipart e-mail, email.message.Message.get_payload() returns a list with one item for each part. The easiest way is to walk the message and get the payload on each part:

import email
msg = email.message_from_string(raw_message)
for part in msg.walk():
    # each part is a either non-multipart, or another multipart message
    # that contains further parts... Message is organized like a tree
    if part.get_content_type() == 'text/plain':
        print part.get_payload() # prints the raw text

For a non-multipart message, no need to do all the walking. You can go straight to get_payload(), regardless of content_type.

msg = email.message_from_string(raw_message)
msg.get_payload()

If the content is encoded, you need to pass None as the first parameter to get_payload(), followed by True (the decode flag is the second parameter). For example, suppose that my e-mail contains an MS Word document attachment:

msg = email.message_from_string(raw_message)
for part in msg.walk():
    if part.get_content_type() == 'application/msword':
        name = part.get_param('name') or 'MyDoc.doc'
        f = open(name, 'wb')
        f.write(part.get_payload(None, True)) # You need None as the first param
                                              # because part.is_multipart() 
                                              # is False
        f.close()

As for getting a reasonable plain-text approximation of an HTML part, I've found that html2text works pretty darn well.

这篇关于如何使用python获取电子邮件的文本内容？的文章就介绍到这了，希望我们推荐的答案对大家有所帮助，也希望大家多多支持IT屋！