perl - 如何使用 bash 或 Perl 重新格式化 mbox 文件中的消息？

Question

我有一个巨大的 mbox 文件，里面可能有 500 封电子邮件。

看起来像下面这样:

From x@blah.com Fri Aug 12 09:34:09 2005
Message-ID: <42FBEE81.9090701@blah.com>
Date: Fri, 12 Aug 2005 09:34:09 +0900
From: me <x@blah.com>
User-Agent: Mozilla Thunderbird 1.0.6 (Windows/20050716)
X-Accept-Language: en-us, en
MIME-Version: 1.0
To: someone <someone@hotmail.com>
Subject: Re: (no subject)
References: <BAY101-F9353854000A4758A7E2CCA9BD0@phx.gbl>
In-Reply-To: <BAY101-F9353854000A4758A7E2CCA9BD0@phx.gbl>
Content-Type: text/plain; charset=ISO-8859-1; format=flowed
Content-Transfer-Encoding: 8bit
Status: RO
X-Status: 
X-Keywords:                 
X-UID: 371
X-Evolution-Source: imap://x+blah.com@blah.com/
X-Evolution: 00000002-0010

Hey

the actual content of the email

someone wrote:

> lines of quotedtext

我想知道如何删除所有引用的文本，去除除“收件人”、“发件人”和“日期”行之外的大部分标题，并使其保持连续。

我的目标是能够将这些电子邮件打印成一本书的格式，目前每个程序都希望每页打印一封电子邮件，或者所有标题和引用的文本。关于从哪里开始使用 shell 工具编写小程序有什么建议吗？

Answer 1

Mail::Box::Mbox将使您轻松地将文件解析为单独的消息。马克 Overmeer 的 slides from YAPC::Europe 2002详细介绍为什么解析比看起来要困难得多。使用此库还将处理 mh、IMAP 和许多其他格式，而不仅仅是 mbox。

    #!/usr/bin/perl
    use warnings;
    use strict;
    use Mail::Box::Manager;

    my $file = shift || $ENV{MAIL};
    my $mgr = Mail::Box::Manager->new(
        access      => 'r',
    );

    my $folder = $mgr->open( folder => $file )
    or die "$file: Unable to open: $!\n";

    for my $msg ($folder->messages)
    {
        my $to      = join( ', ', map { $_->format } $msg->to );
        my $from    = join( ', ', map { $_->format } $msg->from );
        my $date    = localtime( $msg->timestamp );
        my $subject = $msg->subject;
        my $body    = $msg->body;

        # Strip all quoted text
        $body =~ s/^>.*$//msg;

        print <<"";
    From: $from
    To: $to
    Date: $date
    $body

    }

您可能需要重新考虑删除引用文本的请求——如果您发送的电子邮件采用交错回复格式怎么办？剥离引用的文本会使此类电子邮件很难理解:

  Foo wrote:
  > I like bar.

  Bar?  Who likes bar?

  > It is better than baz.

  Everyone knows that.

  -- 
  Quux

此外，您打算如何处理附件、非文本/纯 MIME 类型、编码文本实体和其他奇怪的东西？