Python 如何提取在文档中间的第1行到第3行？

如何使用python

re

提取中间部分（第一行、第二行和第三行）

--089e013d100acf582104f809fd8d
Content-Type: text/plain; charset=UTF-8

first line
second line

third line

--089e013d100acf582104f809fd8d

阅读邮箱的第一部分：

#!/usr/bin/env python
import poplib
from email import parser

pop_conn = poplib.POP3_SSL('mail.company.com')
pop_conn.user('user')
pop_conn.pass_('')

#newest email has the highest message number
numMessages = len(pop_conn.list()[1])

(server_msg,body,octets) = pop_conn.retr(numMessages)

---

正则表达式实际上只是为简单（正则）模式设计的。理论上，正则表达式是表示有限状态机的一种方式。通常，它们用于标记化/lexer（将程序字符串拆分为一系列标记）或匹配常规字符串（例如罗马数字）

看起来您正在尝试解析多部分mime文档，例如：

MIME-Version: 1.0
Content-Type: multipart/alternative; boundary="mimetest"

This part is ignored.
--mimetest
Content-Type: text/plain

Part 1
--mimetest
Content-Type: text/rtf

\rtf{\par Part 2}
--mimetest--

这里有一个外部mime文档和两个内部mime文档。每个mime文档都有一个标题部分，由一个空行分隔，后跟内容

最好的方法是编写一个解析器，将头和内容一起读入字典。然后，您可以使用正则表达式定位边界并提取边界之间的文本，例如：

MIME_STATE_HEADER = 1
MIME_STATE_BODY = 2

def read_lines(text):
    if isinstance(text, list):
        return text
    return re.split(r'\r?\n', text)

def parse_mime(text):
    header_line = re.compile(r'^([A-Za-z\-]+): (.*)$')
    state = MIME_STATE_HEADER
    header = {}
    body = []
    for line in read_lines(text):
        if state == MIME_STATE_HEADER:
            if line == '':
                state = MIME_STATE_BODY
                continue
            m = header_line.match(line)
            if not m:
                raise Exception('Invalid header section: %s' % line)
            header[ m.group(1).lower() ] = m.group(2)
        elif state == MIME_STATE_BODY:
            body.append(line)
    return header, body

def mime(text):
    header, body = parse_mime(text)
    content_type = re.compile(r'multipart/.*; boundary="(.*)"')
    m = content_type.match(header['content-type'])
    if m:
        boundary = re.escape(m.group(1))
        matcher = re.compile(r'\r?\n--%s(--)?\r?\n' % boundary)
        parts = [ mime(part) for part in matcher.split('\n'.join(body))[1:-2] if part ]
        return header, parts
    return header, '\n'.join(body)

此代码将处理各种基于mime的文档，但有几个限制/错误：

这将不支持换行的标题，例如：

Content-Type: multipart/related;
    boundary="text"

它不支持无引号的边界，例如

内容类型：多部分/相关；边界=文本

它不支持像Debian bugmail（例如，从电子邮件日期时间开始以

开头）或HTTP/SMTP标识符/状态行这样的邮件存档

使用以下Python正则表达式：

• ^

  匹配行首

• $

  匹配行尾

• [abc]

  匹配任何字符

  a

  ，

  b

  ，

  c

  （其中一个）

• [a-z]

  匹配任何字符

  a

  到

  z

• \-

  转义字符

  -

  ，因此它可以在

  []

  表达式中使用

• a+

  匹配表达式

  a

• a*

  匹配表达式的零个或多个实例

  a

• 匹配任何字符

• a？

  可选地匹配

  a

  （即匹配

  a

  的零个或一个实例）

• \r

  与回车符匹配

• （a）

  捕获下一组中匹配的

  a

  表达式的内容——通过

  m.group（n）

• 以上表达式中的任何其他内容都按原样匹配

^（[A-Za-z\-]+）：（.*）$

匹配MIME头中的头条目，使得

m.group（1）

是头名称（例如“内容类型”），而

m.group（2）

是该头的内容

\r？\n

匹配Windows或Linux样式的行终止符（MIME文档应该使用“\r\n”，但在本地保存文件时，可以将其转换为

\n

）

multipart/*；boundary=“？（*）”？

在内容类型标题条目中查找用于边界的文本

\r？\n--%s（-）？\r？\n

定位单个边界（其中

%s

是 动态添加）。注意：我已通过

re.escape

传递边界字符串，以防止其被利用（即，如果它包含一个正则表达式，如

boundary=“[a-z]”

）

实际上，您应该使用Python中支持解析RFC822（电子邮件/mime）文档的

email

模块。for this声明：“对于简单的非MIME消息，此根对象的负载可能是包含消息文本的字符串。对于MIME消息，根对象将从其is_multipart（）方法返回True，并且可以通过get_payload（）和walk（）方法访问子部分。”

更新：我创建了一个

read_lines

帮助程序来支持字符串列表（例如

poplib

）和字符串列表（例如

f.read（）

）

更新：用于在以下位置检测边界的

--%s\r？\n（.*）\r？\n--%s

匹配器：

matcher = re.compile(r'--%s\r?\n(.*)\r?\n--%s' % (boundary, boundary))
parts = [ mime(part) for part in matcher.findall(body) ]

有两个问题：

它不匹配换行符（可以通过使用

re.compile（…，re.DOTALL）来解决）

它太贪婪了（它匹配多个部分）

后者无法使用正则表达式轻松解决。解决方案是在边界字符串上拆分，从而导致：

[part0, None, part1, None, part2, ..., partN, '--', '']

---

其中，

part0

是第一个边界之前的部分。因此，

[1:-2]

用于删除

part0

和两个端点匹配，而

如果是part

则用于避免

无匹配。
以下是我用来捕获三行的简单代码：

reobj = re.compile("Content-Type:.*?\n+([^\n]+)\n+([^\n]+)\n+([^\n]+)\n*")
match = reobj.search(subject)
if match:
    line1 = match.group(1)
    line2 = match.group(2)
    line3 = match.group(3)
else:
    result = ""

这是如何工作的？

我们将捕获一组捕获括号之间的每一行。它们将是组1、组2、组3
为了获得我们想要的内容，我们先匹配内容类型（不捕获它），然后再匹配所有内容，直到下一系列新行，然后再使用
\n+
每一行都用
（[^\n]+）
捕获，这意味着“匹配任意数量的非新行字符”
捕获每一行后，我们将使用
\n+
吃掉任意数量的新行。第3组之后的最后一行是可选的：
\n*
（事实上，如果没有它，正则表达式可以工作。）
您的文档是否总是与此完全相同？并非如此。--089e013d100acf582104f809fd8d是定义不同内容类型块之间边界的边界线。非常感谢您的立即关注！没问题：p您需要定义一些规则。计算机如何找到这些行？它们总是第3行、第4行和第6行吗在边界之后？在这种情况下，我建议您不要使用正则表达式，而是以某种方式循环和计数。同意。如果这些行立即跟随
Content-t