将电子邮件解析为唯一文本答案

【问题标题】：Parse email to unique text将电子邮件解析为唯一文本
【发布时间】：2012-04-06 07:00:07
【问题描述】：

我有一个 mbox 格式的大邮箱。都是文章，所以标题信息不相关（日期除外）。

我想要的是获取我的大 *.mbx 文件并生成文本文件，其中文件名是每封电子邮件的主题，并且所有标题都被删除。

我认为 AWK 可以用正则表达式做到这一点，但这种事情不是我的专业领域（更多的是 gui 人）。

我希望我可以将硬盘上的文件保存在更少的磁盘空间中，并最终可以使用 Google 桌面搜索进行索引。

任何帮助表示赞赏。

【问题讨论】：

标签： email indexing awk mbox

【解决方案1】：

这里的关键是将记录分隔符变量设置为空字符串。这将以“段落”模式读取文件。

awk -v RS="" '
    /^From / {
        # this $0 contains the email headers, grab the subject
        subject = "no subject"
        split($0, headers, /\n/)
        for (idx in headers)
            if (headers[idx] ~ /^Subject: /) {
                subject = headers[idx]
                sub(/^Subject: /, "", subject)
            }

        next
    }
    { print > subject}
' large.mbox

如果您有相同主题的电子邮件，邮件正文将连接到一个文件中。

我不希望看到这会节省大量磁盘使用量。您将删除标头，但会增加所需的磁盘块数。

【讨论】：

感谢您的快速响应。我将您的脚本保存为 script.sh 并尝试使用 awk -f script.sh 运行它，它返回了一个语法错误，其中一个 ^ 指向空字符串之前的等号。（在 RS="" 它指向 =）你能告诉我我做错了什么吗？我将 Gawk 用于 Windows，因为我只有 Windows 7 笔记本电脑可用。再次感谢！
在这种情况下，删除 -v RS="" 选项并将 BEGIN{RS=""} 放入 awk 脚本中。 Windows 命令提示符可能会弄乱它。
如果你想在 windows 机器上使用 unixy 命令，请查看 cygwin.com
我按照你说的方式再次尝试了脚本，它给出了相同的语法错误，我在 cygwin 上尝试了同样的事情。也许它在cygwin或windows中不起作用？无论如何，我将尝试使用 Windows 程序来执行此操作。感谢您的帮助，非常感谢。
如果您将整个 sn-p 保存为 script.sh，您应该以 sh script.sh（而不是 awk -f script.sh）运行它，因为这是一个调用 awk 的 shell 脚本。您提到的错误看起来像调用脚本的方式是问题。