Question

我正在解析电子邮件。当我看到对电子邮件的回复时，我想删除引用的文本，以便我可以将文本附加到上一封电子邮件中（即使是回复）。

通常情况下，您会看到：

第一封电子邮件（会话开始）

This is the first email

第二封电子邮件（回复第一封）

This is the second email

Tim said:
This is the first email

此输出仅为“这是第二封电子邮件”。虽然不同的电子邮件客户端引用文本的方式不同，但如果只是为了获得大部分新的电子邮件文本，那也是可以接受的。

Answer 1

我使用以下正则表达式匹配引用文本的引导（最后一个是重要的）：

  /** general spacers for time and date */
  private static final String spacers = "[\\s,/\\.\\-]";

  /** matches times */
  private static final String timePattern  = "(?:[0-2])?[0-9]:[0-5][0-9](?::[0-5][0-9])?(?:(?:\\s)?[AP]M)?";

  /** matches day of the week */
  private static final String dayPattern   = "(?:(?:Mon(?:day)?)|(?:Tue(?:sday)?)|(?:Wed(?:nesday)?)|(?:Thu(?:rsday)?)|(?:Fri(?:day)?)|(?:Sat(?:urday)?)|(?:Sun(?:day)?))";

  /** matches day of the month (number and st, nd, rd, th) */
  private static final String dayOfMonthPattern = "[0-3]?[0-9]" + spacers + "*(?:(?:th)|(?:st)|(?:nd)|(?:rd))?";

  /** matches months (numeric and text) */
  private static final String monthPattern = "(?:(?:Jan(?:uary)?)|(?:Feb(?:uary)?)|(?:Mar(?:ch)?)|(?:Apr(?:il)?)|(?:May)|(?:Jun(?:e)?)|(?:Jul(?:y)?)" +
                                              "|(?:Aug(?:ust)?)|(?:Sep(?:tember)?)|(?:Oct(?:ober)?)|(?:Nov(?:ember)?)|(?:Dec(?:ember)?)|(?:[0-1]?[0-9]))";

  /** matches years (only 1000's and 2000's, because we are matching emails) */
  private static final String yearPattern  = "(?:[1-2]?[0-9])[0-9][0-9]";

  /** matches a full date */
  private static final String datePattern     = "(?:" + dayPattern + spacers + "+)?(?:(?:" + dayOfMonthPattern + spacers + "+" + monthPattern + ")|" +
                                                "(?:" + monthPattern + spacers + "+" + dayOfMonthPattern + "))" +
                                                 spacers + "+" + yearPattern;

  /** matches a date and time combo (in either order) */
  private static final String dateTimePattern = "(?:" + datePattern + "[\\s,]*(?:(?:at)|(?:@))?\\s*" + timePattern + ")|" +
                                                "(?:" + timePattern + "[\\s,]*(?:on)?\\s*"+ datePattern + ")";

  /** matches a leading line such as
   * ----Original Message----
   * or simply
   * ------------------------
   */
  private static final String leadInLine    = "-+\\s*(?:Original(?:\\sMessage)?)?\\s*-+\n";

  /** matches a header line indicating the date */
  private static final String dateLine    = "(?:(?:date)|(?:sent)|(?:time)):\\s*"+ dateTimePattern + ".*\n";

  /** matches a subject or address line */
  private static final String subjectOrAddressLine    = "((?:from)|(?:subject)|(?:b?cc)|(?:to))|:.*\n";

  /** matches gmail style quoted text beginning, i.e.
   * On Mon Jun 7, 2010 at 8:50 PM, Simon wrote:
   */
  private static final String gmailQuotedTextBeginning = "(On\\s+" + dateTimePattern + ".*wrote:\n)";


  /** matches the start of a quoted section of an email */
  private static final Pattern QUOTED_TEXT_BEGINNING = Pattern.compile("(?i)(?:(?:" + leadInLine + ")?" +
                                                                        "(?:(?:" +subjectOrAddressLine + ")|(?:" + dateLine + ")){2,6})|(?:" +
                                                                        gmailQuotedTextBeginning + ")"
                                                                      );

我知道在某些方面这是过度的（可能会很慢！）但它的效果非常好。如果您发现任何与此不符的内容，请告诉我，以便我可以改进它！

Answer 2

查看Google专利：http://www.google.com/patents/US7222299

总之，它们会对文本的部分内容进行哈希处理（可能类似于句子），然后在之前的消息中查找与哈希的匹配。速度非常快，他们也可能将此作为线程算法的输入。真是个好主意！

Answer 3

当以前的电子邮件存储在磁盘上或可用的somwhow时，您可以检查所有邮件，由特定接收方发送以确定哪个是响应文本。

您还可以通过检查最后一行的第一个字符来尝试确定引号字符。 Normaly最后一行总是以相同的字符开头。

当最后两行以不同的字符开头时，您可以尝试第一行，因为有时答案会附加在文本的末尾。

如果您检测到这些字符，则可以删除以该字符开头的最后一行，直到检测到空行或以其他字符开头的行。

未经过测试，更像是伪代码

    String[] lines;

    // Check the size of the array first, length > 2
    char startingChar = lines[lines.length - 1].charAt(0);
    int foundCounter = 0;
    for (int i = lines.length - 2; i >=0; --i) {
        String line = lines[i];

        // Check line size > 0
        if(startingChar == line.charAt(0)){
            ++foundCounter;
        }
    }

    final int YOUR_DECISION = 2; // You can decide
    if(foundCounter > YOUR_DECISION){
        deleteLastLinesHere(startingChar, foundCounter);
    }

Answer 4

RegEx工作正常，除了它匹配从Subject开始的文本并忽略“Subject”之前的所有内容

Text
-------- Original Message -------- 
<TABLE border="0" cellpadding="0" cellspacing="0">
  <TBODY>
    <TR>
      <TH align="right" valign="baseline">
      // the matcher starts working from here

Answer 5

通过观察Gmail在这方面的行为，我观察了他们的策略：

写完整的第二封邮件。
附加文字如下：在[时间戳]，[第一封电子邮件发件人姓名]＆lt; [第一封电子邮件发件人电子邮件地址]＆gt;写道：
附加完整的第一封电子邮件。一个。如果您的电子邮件是纯文本，则前缀'＆gt;'在第一封电子邮件的每一行之前。湾如果是HTML格式，那么Gmail会给出左侧边距：

border-left：1px solid #CCC; 保证金：0px 0px 0px 0.8ex; padding-left：1ex; 用户代理样式表块引用

然后附加第一封电子邮件的文本。

您可以在解析来自Gmail地址的电子邮件时对此进行反向工程。我没有调查其他客户，但他们应该有相同的行为。

Answer 6

你会用几行代码得到它几乎是正确的：

String newMessage = "";
for (String line : emailLines) {
  if (!line.matches("^[>].*")) {
    newMessage = newMessage.concat(line);
  }
}

如有必要，您可以为留下不同引用文本签名的电子邮件客户端添加其他正则表达式检查。

如何从电子邮件中删除引用的文本，仅显示新文本

6 个答案: