Python 解析；“发送”；在电子邮件中排队

我有一个约150封电子邮件的文件夹，全部保存为HTML文件（Firefox扩展名），我需要记录“发送”行上的年份；如下图所示

我尝试使用正则表达式，但失败了；它根本不会打印任何结果，向我表明我的正则表达式不起作用。我尝试使用

email

模块中的

get\u payload（）

和

message\u from\u string（）

命令，但由于这是一个HTML文档，因此失败了。然后，我尝试使用BeautifulSoup捕获整个电子邮件，然后只解析“已发送”行，但由于未知原因，我失败了。我不是这些模块的专家，因此任何和所有的帮助都将不胜感激

我尝试过的相关代码：

for filename in os.listdir(path):
    file_path = os.path.join(path, filename)
    if os.path.isfile(file_path):
        html_ = open(file_path, 'r').read()
        soup_ = BeautifulSoup(html, 'lxml')
        pattern = re.compile(r'Sent:/s([/d]{4})')
        txt = html.read()
        dates = pattern.findall(txt)
        if "Sent" in line:
            print("Date:", ''.join(dates))

您的正则表达式（我认为斜杠只是一个输入错误）与

Sent:

和年份之间的字符不匹配。您可以将正则表达式修复为

r'Sent:.*?\b(\d{4})\b'

或-要解释已发送的

出现在行首的事实，请执行以下操作：

r'(?m)^Sent:.*?\b(\d{4})\b'

详细信息：


（？m）^
-行的开始
已发送：
-文字字符序列
*？
-除换行符以外的任何0+字符，尽可能少
\b（\d{4}）\b
-一个由4位数字组成的完整单词（捕获到组1中，因此作为
re.findall
的结果返回）
使用
r'Sent:.*\b（\d{4}）\b'
我认为这取决于电子邮件的HTML格式。。。另外，您是否有办法获取原始电子邮件数据？解析可能会更容易，因为你只需要找到
发送的
标题…@WiktorStribiżew，它工作得很好，非常感谢。我真的认为我的正则表达式技能已经提高了，这次我会自己去做的，但从你的文章中我可以看出我做得很好off@mgilson这实际上也是我的思考过程，获取原始数据，但我真的很难成功地做到这一点，所以我想在这里问一个问题。不过谢谢，另一个人的正则表达式帮我解决了这个问题