Question

我正在编写一个分析电子邮件的应用程序，如果我可以使用python库将电子邮件文本解析为<salutation><body><signature><reply text>之类的命名组件，那么这将节省我一些时间。

例如，以下文本“Hi Dave,\nLets meet up this Tuesday\nCheers, Tom\n\nOn Sunday, 15 May 2011 at 5:02 PM, Dave Trindall wrote: Hey Tom,\nHow about we get together ...”将被解析为

Salutation: "Hi Dave,\n"
Body: "Lets meet up this Tuesday\n"
Signature: "Cheers, Tom\n\n"
Reply Text: "On Sunday, 15 May 2011 at 5:02 PM, Dave Trindal wrote: ..."

我知道对于这类问题没有完美的解决方案，但即使是一个做出良好近似的库也会有所帮助。我在哪里可以找到一个？

Answer 1

https://github.com/Trindaz/EFZP

这提供了原始问题中提供的功能，以及电子邮件区域的公平识别，因为它们通常出现在由Outlook和Gmail等常见电子邮件客户端的英语母语人士撰写的电子邮件中。

Answer 2

如果您根据其中包含的单词类型对每一行进行评分，则可能会得到相当好的指示。

E.G。在开头附近有问候语的一行是称呼（也有称呼可能有短语指的是过去时，例如上次见到你很好）

一个身体通常会包含诸如“电影，音乐会”等词语。它还会包含动词（去，跑，走等）和问题标记和产品（例如，想要，我们可以，我们是否应该更喜欢..）。查看http://nodebox.net/code/index.php/Linguistics#verb_conjugation http://ogden.basic-english.org/ http://osteele.com/projects/pywordnet/

签名将包含结束语。

如果您发现数据源包含您想要的结构消息，您可以进行一些频率分析，以查看每个单词在每个部分中出现的频率。

每个单词都会得分[称呼分数，身体分数，签名分数......] 例如问候可以在称呼中发生900次，在体内发生10次，在签名中发生3次。这意味着你好会被分配[900,10,3，..] 欢呼声可能会被分配[10,3,100，..]

现在你将有一个大约500,000字的大型列表。没有大范围的单词没用。例如catch可能有[100,101,80 ..] = 21的范围（赶上去很好，想去抓鱼，后来赶上你）。捕获可以发生在任何地方。

现在，您可以将字数减少到大约10,000

现在对于每一行，给该行一个得分的形式[称呼得分，身体得分，签名得分，......]

这个分数是通过添加每个单词的矢量分数来计算的。

e.g。一句话“你好欢呼给我你的号码”可以是： [900,10,3，..] + [10,3,100，..] + .. + .. + = [900 + 10 + ..，10 + 3 + ..，3 + 100，..] = [1023,900,500，..]说

然后因为最大数字是在称呼分数位置的开头，这句话是一种称呼。

然后，如果你必须对你的一条线进行评分，看看该线应该在哪个组成部分，对于你要在其得分上添加的每个单词

祝你好运，计算复杂性和准确性之间始终存在权衡。如果你能找到一套好的单词，并根据你的计算建立一个好的模型，那将会有所帮助。

Answer 3

首先想到的方法（不一定是最好的......）将首先使用split。这里有一些代码和东西

linearray = emailtext.split（ '\ n'）现在你有一个字符串数组，每个字符串都像段落或其他什么

所以linearray [0]会包含称呼

决定回复文本的开始位置有点棘手，我注意到它之前有一个双重换行符，所以可能从后面搜索它，并希望最后一个表示回复文本的开头。

或者存储一些您可能期望的签名词，并搜索前面的那些，如欢呼，问候等等。

一旦你弄清楚签名的位置，其余的就很容易了

希望这有帮助

Answer 4

我为此实际构建了一个非常便宜的API，用于解析电子邮件和电子邮件链的签名中的联系人数据。它被称为SigParser。您可以看到Swagger文档here。

基本上你发送一个标题＆＃39; x-api-key＆＃39;使用像这样的JSON主体，它解析电子邮件回复链中的所有联系人。

{
  "subject": "Thanks for meeting...",
  "from_address": "bgates@example.com",
  "from_name": "Bill Gates",
  "htmlbody": "<div>Hi, good seeing you the other day.</div><div>--</div><div>Bill Gates</div><div>Cell 777-444-8888</div><a href=\"https://www.linkedin.com/in/williamhgates/\">LinkedIn</a><a href=\"https://twitter.com/BillGates\">Twitter</a>",
  "plainbody": "Hi, good seeing you the other day. \r\n--\r\nBill Gates\r\nCell 777-444-8888",
  "date": "Mon, 28 May 2018 23:33:40 +0000 (UTC)"
}

如何解析<salutation> <signature> <reply text =“”>等组件的电子邮件文本？</reply> </signature> </salutation>

4 个答案: