Problema de codificação imprimível em e-mail python

Question

Estou extraindo e -mails do Gmail usando o seguinte:

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()

No entanto, alguns e-mails que recebo são quase impossíveis para eu extrair datas (usando regex) de chars relacionados à codificação, como '=', aterrissam aleatoriamente no meio de vários campos de texto. Aqui está um exemplo em que ocorre em um intervalo que quero extrair:

Nome: Kirsti E -mail: kirsti@blah.blah Telefone #: + 999 99995192 Total no Partido: 4 Total, 0 Crianças Chegada/Partida: 9 de outubro de 2010 - 13 de outubro de 2010 - 13 de outubro de 2010, 2010

Existe uma maneira de remover esses personagens codificadores?

Answer 1

Você poderia/deve usar o email.parser Módulo para decodificar mensagens de correio, por exemplo (exemplo rápido e sujo!):

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)

Usando o parâmetro "decodificar" de Message.get_payload, o módulo decodifica automaticamente o conteúdo, dependendo da codificação (por exemplo, imprimíveis citados como em sua pergunta).

Answer 2

Isso é conhecido como codificação imprimível com citado. Você provavelmente quer usar algo como quopri.decodestring - http://docs.python.org/library/quapri.html

Answer 3

Se você estiver usando o python3.6 ou posterior, pode usar o email.message.Message.get_content() Método para decodificar o texto automaticamente. Este método substitui get_payload(), no entanto get_payload() Ainda está disponível.

Diga que você tem uma corda s contendo esta mensagem de email (com base no exemplos nos documentos):

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

Caracteres não-ascii na string foram codificados com o quoted-printable codificação, conforme especificado no Content-Transfer-Encoding cabeçalho.

Crie um objeto de email:

import email
from email import policy

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

Definir a política é necessária aqui; por outro lado policy.compat32 é usado, que retorna uma instância de mensagem herdada que não possui o método get_content. policy.default acabará se tornando a política padrão, mas a partir de python3.7 ainda é policy.compat32.

o get_content() O método lida com a decodificação automaticamente:

print(msg.get_content())

Salut!

Cela ressemble à un excellent recipie[1] déjeuner.

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

--Pepé

Se você tem uma mensagem de múltiplas, get_content() precisa ser chamado nas partes individuais, assim:

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