Python解析中文电子邮件解码错误

我编写了一些Python代码来从Gmail服务器获取电子邮件。以下是代码：

self.M = imaplib.IMAP4_SSL(self.IMAP_SERVER, self.IMAP_PORT)
data = self.M.fetch(id,"(RFC822)")
if data[0] == 'OK':
    msg = email.message_from_string(data[1][0][1])
else:
    print 'Error!'
mail_subject = email.Header.decode_header(msg['subject'])[0][0]
print email.Header.decode_header(msg['subject'])
print '~~~separator~~~'
print mail_subject

正确显示英文邮件主题：

[('[bonnshore.github.com] Page build successful', None)]

~~~separator~~~

[bonnshore.github.com] Page build successful

但在中文之后：

[('\xd5\xe2\xca\xc7\xd6\xd0\xce\xc4\xb2\xe2\xca\xd4\xa3\xa1', 'gb2312')]

~~~separator~~~

╒Γ╩╟╓╨╬─▓Γ╩╘úí

函数isinstance（）显示字符类型为'str'， 所以我试着解决这个问题：

print unicode(mail_subject, 'gb2312')

并发生错误：

File "C:\Python27\lib\encodings\cp437.py", line 12, in encode
return codecs.charmap_encode(input,errors,encoding_map)
UnicodeEncodeError: 'charmap' codec can't encode characters in position 0-6:
character maps to <undefined>

我又犯了同样的错误

那么，如何解决这个问题呢

---

非常感谢！：）

您的第一次尝试显示为，因为您正在将原始gb2312打印到非gb2312控制台

decode_header

执行作业的第一部分，即将看起来像

=？iso-8859-1？q？p=F6stal？=

的头转换为可以向用户显示的内容。由于同一个头可以包含多个字符集，因此您得到的是（

raw_data

，

charset

）对的列表

您应该使用Unicode构造函数将它们转换为Unicode，然后再转换为UTF-8或任何适合您需要的格式，正如您正确猜测的那样。但第二次尝试失败，因为代码页437无法显示中文。第三个问题来自对

解码

和

编码

工作方向的误解。unicode字符串被“编码”为外部编码。（但即使成功了，您仍然可以回到原来的mojibake，即在终端上打印gb2312。）

要测试结果，您需要正确创建Unicode字符串并进行检查，或者使用正确的编码将其打印到文件中。例如：

>>> x = unicode('\xd5\xe2\xca\xc7\xd6\xd0\xce\xc4\xb2\xe2\xca\xd4\xa3\xa1', 'gb2312')
>>> import unicodedata
>>> map(unicodedata.name, x)  # see if it looks chinese
['CJK UNIFIED IDEOGRAPH-8FD9', 'CJK UNIFIED IDEOGRAPH-662F', 'CJK UNIFIED IDEOGRAPH-4E2D', 'CJK UNIFIED IDEOGRAPH-6587', 'CJK UNIFIED IDEOGRAPH-6D4B', 'CJK UNIFIED IDEOGRAPH-8BD5', 'FULLWIDTH EXCLAMATION MARK']
>>> print x                   # this works for me because I'm in a UTF-8 locale
这是中文测试！

您可以这样做来测试它是否适合您：

>>> with open('file.txt', 'w') as f:
...   f.write(x.encode('utf-8'))

最后，请注意，通过

decode_header

获取第一个返回项不足以获取报头的全部值，因为它可以分为几个块。您需要将块连接到单个Unicode字符串中，这最好通过组合

make_header

实用程序函数和

Unicode

构造函数来实现：

subject_header = msg['subject']
subject = unicode(email.header.make_header(email.header.decode_header(subject_header))
# now proceed as before...

---

必须调用

make_header

和

decode_header

，这是违反直觉的，但这是当前的API。

您确定数据实际上是在

gb2312

中编码的吗？decode_header返回一个元组（包括实际使用的编码）是有原因的；）@bonn我刚刚发现，

标题

支持unicode构造函数，所以您只需键入

subject=unicode（msg['subject']）

即可将主题正确解码为unicode。@4815162342我稍后将尝试此解决方案，我猜也没问题……而且您在回答中提到的终端编码错误完全正确，因此我将编码格式更改为支持utf-8，现在我可以使用

email.Header.decode_Header（subject）[0][0]

获得正确的电子邮件主题，该主题是用中文键入的。@bonn

decode_Header（subject）[0][0])

很简单，但不正确。首先，它只会给出标题的第一部分（可以由几个部分组成）。其次，它将为您提供原始头中使用的任何字符集中的原始数据，而不是UTF-8。要获得UTF-8的完整主题，请使用unicode（主题）。encode（“UTF-8”）@4815162342您所说的第一个理由让我信服，但第二个理由不起作用。我得到了类似于

=？utf-8？B…Hkv6E=？=

，当使用

unicode（msg['subject']）

或

unicode（msg['subject']）时。encode（“utf-8”）

@bonn你是对的，它不能按预期工作。似乎

email.header.header.\uuuuuUnicode\uuuuuu

不会尝试解码头。现在，我已经用一个正确调用的示例更新了答案。

subject_header = msg['subject']
subject = unicode(email.header.make_header(email.header.decode_header(subject_header))
# now proceed as before...