从电子邮件收件箱中提取 URL答案

【问题标题】：Extracting URL from email inbox从电子邮件收件箱中提取 URL
【发布时间】：2012-08-14 20:53:27
【问题描述】：

好的，我正在尝试做的事情有些混乱，所以我再次这样做。我正在寻找针对我的收件箱运行的脚本，它将在电子邮件正文中为我提供发件人地址、主题和 URL。我遇到的问题是脚本的 URL 解析正在从电子邮件中提取所有 URL，而不仅仅是从正文中提取。这是一个例子

收件人：Tom@mail.com

发件人：Joe@test.com

主题：确认你的考试成绩

请访问以下网址以确认您的考试成绩。 WWW.test.com/confirmation 再次感谢您的意见。

签名

乔（乔斯签名部分有图）图片的网址是 http://www.test.com/wp-content/uploads/_client_image/66-dcfc0fc8.png

我希望我的输出是

发件人：Joe@test.com

主题：确认你的考试成绩

网址：WWW.test.com/confirmation

我得到了这个

发件人：Joe@test.com

主题：确认你的考试成绩

网址：WWW.test.com/confirmation，http://www.test.com/wp-content/uploads/_client_image/66-dcfc0fc8.png

这是我的脚本

import re
import mailbox
import urlparse

mbx=mailbox.mbox("Mail Box Path")

url_pattern = re.compile('''["']http://[^+]*?['"]''')

for k, m in mbx.iteritems():
    print "From %s\n" % m['from']
    print "Subject %s\n" % m['subject']
    print "URL %s\n" % url_pattern.findall(m.as_string())

【问题讨论】：

m.as_string() 是否返回 HTML 文本？如果是，您可以使用 BeautifulSoup、lxml.html 来提取链接。

标签： python email url extract

【解决方案1】：

签名算作电子邮件的正文 - 因此您无法真正将它们分开。

如果您确定电子邮件中只有一个您关心的链接，您可以尝试只查看您匹配的第一个 URL - 但没有一种（可靠的）方法可以确保您是仅与电子邮件正文进行交互，而不与签名交互。

Someone even wrote a paper on this - 这非常困难，尤其是当您无法控制所处理电子邮件的格式时。

【讨论】：