Python 如何解析<；等组件的电子邮件文本；敬礼>&书信电报；车身>&书信电报；签名>&书信电报；回复文本>；等

我正在编写一个分析电子邮件的应用程序，如果我能使用python库将电子邮件文本解析为命名组件（如

等），这将为我节省大量时间

例如，以下文本“

嗨，戴夫，\n本周二汤姆·切斯见面\n\n 2011年5月15日星期日下午5:02，戴夫·特林德尔写道：嗨，汤姆，我们在一起怎么样…

”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，但即使是一个具有良好近似性的库也会有所帮助。我在哪里可以找到一个呢？

我想到的第一个方法（不一定是最好的…）是从使用split开始。这里有一些代码和东西

linearray=emailtext.split（'\n'） 现在您有了一个字符串数组，每个字符串都像一个段落或任何东西

因此linearray[0]将包含称呼

决定回复文本的起始位置有点棘手，我注意到在它前面有一个双换行符，所以可能从后面搜索，希望最后一个指示回复文本的起始位置

或者储存一些你可能期望的签名词，并搜索来自前台的签名词，比如干杯、问候等等

一旦你知道签名在哪里，剩下的就很容易了

---

希望这对你有所帮助，如果你根据每一行包含的单词类型给每一行打分，你可能会得到一个相当好的提示

例如，在开头附近有问候语的一行是问候语（问候语也可能有表示过去时的短语，例如，上次见到你很高兴）

正文通常包含“电影、音乐会”等词。正文还包含动词（去、跑、走等）以及问号和内容（例如：想、能、应该、喜欢……）。 退房 http://ogden.basic-english.org/

签名将包含结束语

如果您发现一个数据源包含您想要的结构的消息，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

每个单词都会得到一个分数[称呼分数，身体分数，签名分数，…] e、 问候在称呼语中可能出现900次，在身体中可能出现10次，在签名中可能出现3次。 这意味着hello将被分配[900,10,3，…] 可能会分配欢呼声[10,3100，…]

现在你将有一个大约500000字的大列表。 范围不大的词是没有用的。 e、 g.捕获量可能为[100101,80..]=范围21 （赶上真是太好了，想去抓条鱼，待会再抓你）。捕获可以发生在任何地方

现在你可以把字数减少到10000个左右

现在，对于每一行，也给该行一个分数，形式为[问候分数，身体分数，签名分数，…]

该分数通过将每个单词的向量分数相加来计算

e、 g.“你好，谢谢你给我你的电话号码”，这句话可以是： [900, 10, 3, ..] + [10,3,100,..] + .. + .. + = [900+10+..,10+3+..,3+100,..] =[1023900500，…]说

然后因为最大的数字是在敬礼分数位置的开头，所以这句话是敬礼

然后，如果你必须为你的一行打分，看看这行应该包含什么成分，那么对于每个单词，你会在分数上加上分数

幸运的是，在计算复杂性和准确性之间总是有一个平衡点。如果你能找到一组好的单词，并为你的计算建立一个好的模型，这将对你有所帮助。

---

这提供了原始问题中提出的功能，以及对电子邮件区域的公平识别，因为它们通常出现在以英语为母语的人从Outlook和Gmail等常见电子邮件客户端编写的电子邮件中。

我为此构建了一个相当便宜的API，用于解析电子邮件签名和电子邮件链中的联系人数据。它叫做SigParser。你可以看到它的招摇过市的文档

基本上，您向它发送一个标题“x-api-key”，其中包含一个JSON主体，如所示，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)"
}

{
“主题”：“感谢您的会见……”，
“发件人地址”：bgates@example.com",
“来自你的名字”：“比尔·盖茨”，
“htmlbody”：“你好，前几天很高兴见到你。--比尔·盖茨塞尔777-444-8888”，
“plainbody”：“你好，前几天很高兴见到你。\r\n--\r\n比尔·盖茨\r\nCell 777-444-8888”，
“日期”：“2018年5月28日星期一23:33:40+0000（UTC）”
}

电子邮件是否采用标准mbox格式？不，目前它们是MySQL表中的文本字段，但在解析之前格式化为mbox格式是一个相当随意的步骤，如果必要的话，不是吗？