Question

我正在编写一个需要从电子邮件会话中提取元数据的BI应用程序。即给出一个电子邮件主题，我希望提取所有参与者和对话的结构。例如，给出这样的对话：

From: me
To: You
CC: someone

<Body>

From: You
To: Someone
CC: Someone else

<Body>

我想要提取“你”发送并通过电子邮件发送给“某人”，将“CC”转发给“SomeOneelse”，所有这些都是从“我”转发给“你”，抄送给'某人'......

我的问题是我需要处理不同的提供商。

是否有人熟悉网上某处满足此类要求的一组正则表达式？

谢谢！

Answer 1

我不明白你对“不同提供者”的意思。电子邮件标题符合a standard。所以你需要的正则表达式就是解析：

To: <contacts>
From: <contact>
Cc: <contacts>

更“复杂”的部分是<contact>位。有关详细规范，请查看section 3.4 of the mentioned standard。

还有一些有用的regex examples for email-addresses可用。因此，采用最基本的示例，它可能看起来像这样（假设所有都是大写的）：

\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}\b

现在，添加To:字符串：

\bTo: [A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}\b

从技术上讲，标题（如To:）总是从行的开头开始，所以你可以这样做：

^To: [A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}\b

如果您需要提取电子邮件地址，则需要添加捕获组：

^To: ([A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4})\b

这只会捕获一个地址，因此您可能希望从此处扩展：

^To: ([A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4})(,\s*[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4})*\b

这是一种非常天真的匹配多个地址的方法。您将最终在一个捕获组中拥有第一个地址，并在第二个组中拥有所有其余地址。更好的方法是与此相匹配。如果匹配，请删除前导To:，用逗号分割并修剪其余部分。

正如你所看到的，你在这里打开了一点虫子。解析电子邮件并不像看起来那么简单。解析标题很简单（基于上面的例子）。然而，消息体是一种不同的野兽。几乎每个电子邮件客户端（Thunderbird，Outlook（express），mutt，...）处理这个略有不同。有时新版本的行为与旧版本不同。这在很大程度上取决于客户端设置，系统区域设置等。用户是否发送UTF8，引用的可打印，CP1252，......？引用标准：

注意：本规范并非旨在规定网站使用的内部格式，特定的消息系统功能，他们应该支持，或任何创建或读取消息的用户界面程序的特征。此外，本文档未指定传输或字符的编码存储;也就是说，它没有指定使用的位数或这些位的方式专门通过电线传输或存储在磁盘上。

您可能很幸运，因为发送电子邮件客户端添加了一个标头，指定了编码，但是没有强制执行此操作（AFAICS）。

下一件大事是多部分消息。这也有些不稳定。

我的建议是使用现成的库来进行解析。我确信，大多数流行语言都有一个可用的库，可以让这项任务更加轻松

。

Answer 2

如果您希望自己实施，请点击此处：http://www.ietf.org/rfc/rfc2822.txt

Answer 3

你在问不可能。这是你需要使用真正的解析器的东西，而不仅仅是用正则表达式构建东西。

你可以在这里查看答案Parse email content from quoted reply，其中有人试图用正则表达式做这样的事情并评论它是多么棘手。请阅读the paper on assembling email threads。

如果你想要一些测试数据试试这个，你可以下载Enron dataset，其中包含安然人在崩溃之前发送/接收的50万封电子邮件（400meg压缩）。

使用正则表达式解析电子邮件会话

3 个答案: