给定 Python 2.6 中的 RFC822 消息,我如何才能获得 正确 文本/纯内容部分?基本上,我想要的算法是这样的:
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
在这些东西中,我有 get_mime_part
和 has_mime_part
,但我不太确定如何从 MIME 部分获取解码后的文本。我可以使用 get_payload()
获取 encoded 文本,但如果我尝试使用 get_payload()
方法(参见 the doc )当我在 text/plain 部分调用它时出现错误:
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'>
另外,我不知道如何获取 HTML 并将其呈现为尽可能接近的文本。
最佳答案
在多部分电子邮件中,email.message.Message.get_payload()
返回一个列表,其中每个部分都有一个项目。最简单的方法是遍历消息并获取每个部分的有效负载:
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
对于非多部分消息,无需进行所有遍历。无论 content_type 是什么,您都可以直接进入 get_payload()。
msg = email.message_from_string(raw_message)
msg.get_payload()
如果内容被编码,则需要将None
作为第一个参数传递给get_payload()
,然后是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') 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()
至于获得 HTML 部分的合理纯文本近似值,我发现 html2text效果非常好。
关于python - 如何使用 Python 获取电子邮件文本内容?,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/1463074/