Question

如何使用python re提取中间部分（第一行，第二行和第三行）？

--089e013d100acf582104f809fd8d
Content-Type: text/plain; charset=UTF-8

first line
second line

third line

--089e013d100acf582104f809fd8d

阅读邮箱的第一部分：

#!/usr/bin/env python
import poplib
from email import parser

pop_conn = poplib.POP3_SSL('mail.company.com')
pop_conn.user('user')
pop_conn.pass_('')

#newest email has the highest message number
numMessages = len(pop_conn.list()[1])

(server_msg,body,octets) = pop_conn.retr(numMessages)

Answer 1

正则表达式仅适用于简单（常规）模式。从理论上讲，正则表达式是一种表示有限状态机的方法。通常，它们用于标记化/词法分析器（将程序字符串拆分为一系列标记）或匹配常规字符串（例如罗马数字）。

您似乎正在尝试解析多部分mime文档，例如：

MIME-Version: 1.0
Content-Type: multipart/alternative; boundary="mimetest"

This part is ignored.
--mimetest
Content-Type: text/plain

Part 1
--mimetest
Content-Type: text/rtf

\rtf{\par Part 2}
--mimetest--

在这里，你有一个带有两个内部mime文档的外部mime文档。每个mime文档都有一个标题部分，用空行分隔后跟内容。

最好的方法是编写一个解析器，将标题与内容一起读入字典。然后，您可以使用正则表达式来定位边界并在边界之间提取文本，例如：

MIME_STATE_HEADER = 1
MIME_STATE_BODY = 2

def read_lines(text):
    if isinstance(text, list):
        return text
    return re.split(r'\r?\n', text)

def parse_mime(text):
    header_line = re.compile(r'^([A-Za-z\-]+): (.*)$')
    state = MIME_STATE_HEADER
    header = {}
    body = []
    for line in read_lines(text):
        if state == MIME_STATE_HEADER:
            if line == '':
                state = MIME_STATE_BODY
                continue
            m = header_line.match(line)
            if not m:
                raise Exception('Invalid header section: %s' % line)
            header[ m.group(1).lower() ] = m.group(2)
        elif state == MIME_STATE_BODY:
            body.append(line)
    return header, body

def mime(text):
    header, body = parse_mime(text)
    content_type = re.compile(r'multipart/.*; boundary="(.*)"')
    m = content_type.match(header['content-type'])
    if m:
        boundary = re.escape(m.group(1))
        matcher = re.compile(r'\r?\n--%s(--)?\r?\n' % boundary)
        parts = [ mime(part) for part in matcher.split('\n'.join(body))[1:-2] if part ]
        return header, parts
    return header, '\n'.join(body)

此代码将处理各种基于mime的文档，但有一些限制/错误：

这不支持包装的标题，例如：

Content-Type: multipart/related;
    boundary="text"

它不支持不带引号的边界，例如Content-Type: multipart/related; boundary=text。
它不支持Debian bugmail等邮件存档（例如以From email date time开头）或HTTP / SMTP标识符/状态行。

使用这些Python正则表达式：

^匹配行的开头
$匹配行尾
[abc]匹配任何字符a，b，c（其中一个）
[a-z]匹配任何字符a到z
\-转义字符-，因此可以在[]表达式中使用
a+匹配表达式a
a*匹配表达式a
.匹配任何字符
a?可选地匹配a（即匹配a的零个或一个实例）
\r匹配回车符号
(a)捕获下一组中匹配的a表达式的内容 - 通过m.group(n)
上述表达式中的任何其他内容均按原样匹配

^([A-Za-z\-]+): (.*)$匹配MIME标头中的标头条目，以便m.group(1)是标题名称（例如＆＃39;内容类型＆＃39;），m.group(2)是内容那个标题。

\r?\n匹配Windows或Linux风格的行终止符（MIME文档应该使用＆＃39; \ r \ n＆＃39;，但在保存时可以转换为\n本地文件。）

multipart/.*; boundary="?(.*)"?在Content-Type标头条目中找到用于边界的文本。

\r?\n--%s(--)?\r?\n找到一个单独的边界（其中%s是边界动态添加）。注意：我已经通过re.escape传递了边界字符串，以防止它被利用（即如果它包含boundary="[a-z]"等正则表达式。

实际上，您应该使用Python中的email模块来支持解析RFC822（email / mime）文档。此状态为documentation：＆＃34;对于简单的非MIME消息，此根对象的有效内容可能是包含消息文本的字符串。对于MIME消息，根对象将从其is_multipart（）方法返回True，并且可以通过get_payload（）和walk（）方法访问子部分。＆＃34;

更新：我创建了一个read_lines帮助器来支持字符串列表（例如来自poplib）和一个字符串（来自例如f.read()）。< / p>

更新：用于边界检测的--%s\r?\n(.*)\r?\n--%s匹配器：

matcher = re.compile(r'--%s\r?\n(.*)\r?\n--%s' % (boundary, boundary))
parts = [ mime(part) for part in matcher.findall(body) ]

有两个问题：

它与新行不匹配（可以使用re.compile(..., re.DOTALL);
它太贪婪了（它匹配多个部分）。

使用正则表达式无法轻易解决后者问题。解决方案是在边界字符串上拆分，结果是：

[part0, None, part1, None, part2, ..., partN, '--', '']

其中part0是第一个边界之前的部分。因此[1:-2]用于删除part0和两个结束匹配，if part用于删除None匹配。

Answer 2

以下是我用来捕捉三行的简单代码：

reobj = re.compile("Content-Type:.*?\n+([^\n]+)\n+([^\n]+)\n+([^\n]+)\n*")
match = reobj.search(subject)
if match:
    line1 = match.group(1)
    line2 = match.group(2)
    line3 = match.group(3)
else:
    result = ""

这是如何运作的？

我们将捕获一组捕获括号之间的每一行。他们将是第1组，第2组，第3组。
要获得我们想要的内容，我们会匹配Content-Type（不捕获它），然后匹配下一系列新行，我们匹配而不会使用\n+
使用([^\n]+)捕获每一行，这意味着＆＃34;匹配任何不是新行的任意数量的字符。
在捕获每一行后，我们会使用\n+占用任意数量的新行。第3组之后的最后一个换行符是可选的：\n*（事实上正则表达式可以在没有它的情况下工作。）

如何将第1行提取到文档中间的第3行？

2 个答案: