Regex Spamasassin匹配汉字/汉字

我正在尝试实现一个规则，将所有汉字（汉族）与

SpamAssassin版本3.3.1 在Perl版本5.10.1上运行

到目前为止，我尝试了以下规则：

body SPAM44 /\p{Han}/
body SPAM44 /[\x{4e00}-\x{9FFF}]/
body SPAM44 /[一-俿倀-忿怀-濿瀀-翿耀-迿退-龥]+/

前两条规则根本不匹配。最后一条规则几乎匹配我所有的邮件。 所有这些规则在regex101.com上都很有效。所以这可能是Spamasassin特有的问题

应匹配的示例正文：

--_000_7f25887479e34b8585663e5702f9ae87companyde_
Content-Type: text/plain; charset="utf-8"
Content-Transfer-Encoding: base64

6L2m6Lqr5Yi26YCg5bel6Im65Y+K6KOF5aSH44CB5rG96L2m5pW06L2m6K6+6K6h5byA5Y+R5LiO
6K+V5Yi244CB5rG96L2m5bel56iL5LiO5pyN5Yqh44CB5pm66IO95Lqn57q/54mp5rWB5oqA5pyv
44CB5raC6KOF55Sf5Lqn57q/5Y+K6KOF5aSH44CB5bel5Lia5py65Zmo5Lq65oiQ5aWX5oqA5pyv
5Y+K6KOF5aSH44CB5bqV55uY5Yi26YCg5bel6Im65Y+K6KOF5aSHDQoNCg0KDQoN

我无法发布解码的字符串，因为stackoverflow说这是垃圾邮件

---

那么如何将中文字符与spamassassin匹配呢？

除非您在本地配置中单独设置

normalize_charset 1

（默认值为0），否则spamassassin不会将字符集规范化为Unicode；然后，这些正则表达式匹配的可能性几乎为零

如果没有此设置，要匹配UTF-8中的汉字，正则表达式需要匹配字符的UTF-8序列，而不是解码的Unicode表示

body  SPAM44_UTF8 /[\xe4-\xe9][\x80-\xbf][\x80-\xbf]/
score SPAM44_UTF8 2

（对正则表达式不完全确定，但你知道了。）

这显然只适用于UTF-8中的正文，因此您需要为您想要处理的任何其他字符集（可能是GB2312？）编写一个类似的规则，并且它可能会对实际上不是UTF-8的消息正文产生误报（尽管这样做的风险似乎很小）

这个规则在任何地方都匹配一个汉字。也许你会想扩展它，寻找一个序列，比如说，四个或更多，以减少误报的风险

---

也许有一天，

normalize\u charset 1

将成为默认设置，但就目前的电子邮件状态而言，我认为这在短期内是行不通的。字符集信息丢失或不正确的情况太多了，自动修复字符集信息的启发式方法非常脆弱且容易出错。

您能发布完整的spamassassin配置行吗？更重要的是，您能发布一个具有代表性的原始主题：行和您试图匹配的精确规则吗？不，原始消息源，而不是您在邮件客户端中看到的。我添加了用于测试的原始正文部分。spamassassin是否查看附件内部？“spamassassin未将字符集规范化为Unicode”-规范化\u字符集配置选项不应提供它？