Problème d'encodage imprimé par e-mail Python Courriel

Question

J'extrait des e-mails de Gmail en utilisant les éléments suivants:

def getMsgs():
 try:
    conn = imaplib.IMAP4_SSL("imap.gmail.com", 993)
  except:
    print 'Failed to connect'
    print 'Is your internet connection working?'
    sys.exit()
  try:
    conn.login(username, password)
  except:
    print 'Failed to login'
    print 'Is the username and password correct?'
    sys.exit()

  conn.select('Inbox')
  # typ, data = conn.search(None, '(UNSEEN SUBJECT "%s")' % subject)
  typ, data = conn.search(None, '(SUBJECT "%s")' % subject)
  for num in data[0].split():
    typ, data = conn.fetch(num, '(RFC822)')
    msg = email.message_from_string(data[0][1])
    yield walkMsg(msg)

def walkMsg(msg):
  for part in msg.walk():
    if part.get_content_type() != "text/plain":
      continue
    return part.get_payload()

Cependant, certains e-mails que je reçois sont presque impossibles pour moi d'extraire des dates (en utilisant Regex) à partir de caractères liés à l'encodage tels que '=', atterrit au hasard au milieu de divers champs de texte. Voici un exemple où il se produit dans une plage de dates que je souhaite extraire:

Nom: Kirsti Courriel: kirsti@blah.blah # Téléphone: + 999 99995192 Total dans la fête: 4 Total, 0 Enfants Arrivée / Départ: 9 octobre = 2010 - 13 octobre 2010 - 13 octobre 2010

Existe-t-il un moyen de supprimer ces caractères d'encodage?

Answer 1

Vous pouvez / devez utiliser le email.parser Module pour décoder les messages du courrier, par exemple (exemple rapide et sale!):

from email.parser import FeedParser
f = FeedParser()
f.feed("<insert mail message here, including all headers>")
rootMessage = f.close()

# Now you can access the message and its submessages (if it's multipart)
print rootMessage.is_multipart()

# Or check for errors
print rootMessage.defects

# If it's a multipart message, you can get the first submessage and then its payload
# (i.e. content) like so:
rootMessage.get_payload(0).get_payload(decode=True)

En utilisant le paramètre "décoder" de Message.get_payload, le module décode automatiquement le contenu, selon son codage (par exemple, les imprimables cités comme dans votre question).

Answer 2

C'est connu comme un codage imprimé cité. Vous voulez probablement utiliser quelque chose comme quopri.decodestring - http://docs.python.org/library/quopri.html

Answer 3

Si vous utilisez Python3.6 ou version ultérieure, vous pouvez utiliser le email.message.Message.get_content() Méthode pour décoder automatiquement le texte. Cette méthode remplace get_payload(), pourtant get_payload() est encore disponible.

Dites que vous avez une chaîne s contenant cet e-mail (basé sur le exemples Dans les documents):

Subject: Ayons asperges pour le =?utf-8?q?d=C3=A9jeuner?=
From: =?utf-8?q?Pep=C3=A9?= Le Pew <pepe@example.com>
To: Penelope Pussycat <penelope@example.com>,
 Fabrette Pussycat <fabrette@example.com>
Content-Type: text/plain; charset="utf-8"
Content-Transfer-Encoding: quoted-printable
MIME-Version: 1.0

    Salut!

    Cela ressemble =C3=A0 un excellent recipie[1] d=C3=A9jeuner.

    [1] http://www.yummly.com/recipe/Roasted-Asparagus-Epicurious-203718

    --Pep=C3=A9
   =20

Les caractères non ASCII de la chaîne ont été codés avec le quoted-printable codage, comme spécifié dans le Content-Transfer-Encoding entête.

Créer un objet e-mail:

import email
from email import policy

msg = email.message_from_string(s, policy=policy.default)

La définition de la stratégie est requise ici; Par ailleurs policy.compat32 est utilisé, qui renvoie une instance de message hérité qui n'a pas la méthode get_content. policy.default deviendra finalement la politique par défaut, mais à partir de python3.7, il est toujours policy.compat32.

La get_content() La méthode gère automatiquement le décodage:

print(msg.get_content())

Salut!

Cela ressemble à un excellent recipie[1] déjeuner.

[1] http://www.yummly.com/recipe/Roasted-Asparagus-Epicurious-203718

--Pepé

Si vous avez un message multipAR get_content() doit être appelé sur les parties individuelles, comme ceci:

for part in message.iter_parts():
    print(part.get_content())