从电子邮件正文中删除额外的换行符

Question

发送电子邮件时，许多服务器会添加额外的换行符以限制每行的长度。

在 PHP 脚本中提取电子邮件时如何恢复 原始 换行符？

示例

假设我发送以下内容：

Lorem ipsum Dolore incididunt in culpa ea ea sed quis sint voluptate quis laborum ullamco Exceptioneur do adipisicing consequat ex in reprehenderit officia in ad deserunt magna nulla dolor labourum occaecat reprehenderit aliquip dolor ea anim ea in veniam adipisicing culpa tempor qui Laboris minim consectetur laboris anim incididunt Ut sunt sunt mollit elit irure do cillum dolore consequat in ea culpa ut velit sunt nulla in dolore voluptate dolore laborum reprehenderit dolore ut.
Ut non in veniam enim minim elit ad ut id ad eu voluptate cillum dolor laboris irure tempor mollit dolore exercitation eiusmod ea non ea ullamco nostrud cillum nostrud labourum commodo esse reprehenderit ut deserunt officia do in anim dolore ullamco pariatur ex amet nulla excepteur mollit officia fugiat eu sed quis nisi fugiat dolor ea commodo ut sunt in consectetur ut nulla pariatur est dolor dolore non ut occaecat officia Duis Ut ex exercitation esse ullamco nulla incididunt commodo pariatur dolore nostrud fugiat id dolor minim non sint amet adipisicing occaecat enim non Ut ad nisi ut commodo minim proident elit nulla quis ut ad dolor Exceptioneur dolore Duis。

请注意，此文本中只有一个换行符！

在接收端使用Thunderbird查看邮件源代码，或者通过PHP获取邮件正文，内容格式如下：

Lorem ipsum Dolore incididunt in culpa ea ea ea sed quis sint voluptate
quis labourum ullamco Exceptioneur 做 adipisicing consequat ex in
在 ad deserunt magna nulla dolor labourum occaecat 中谴责官员
reprehenderit aliquip dolor ea 动画 ea in veniam adipisicing culpa
tempor qui elit voluptate consectetur elit laboris minim consectetur
Laboris anim incididunt Ut sunt sunt mollit elit irure do cillum dolore
导致 ea culpa ut velit sunt nulla 在 dolore voluptate dolore
labourum reprehenderit dolore ut.
Ut non in veniam enim minim elit ad ut id ad eu voluptate cillum dolor
Laboris irure tempor mollit dolore exercitation eiusmod ea non ea
ullamco nostrud cillum nostrud laborum commodo esse reprehenderit ut
deserunt officia do in anim dolore ullamco pariaatur ex amet nulla
除了 mollit officia fugiat eu sed quis nisi fugiat dolor ea commodo
ut sunt in consequat consectetur ut nulla pariaatur est dolor dolore non
ut occaecat officia Duis Ut exercitation esse ullamco nulla
事件 commodo pariatur dolore nostrud fugiat id dolor minim non
sint amet adipisicing occaecat enim non Ut ad irure sint aliquip nisi ut
commodo minim proident elit nulla quis ut ad dolor Exceptioneur dolore Duis。

请注意，每行都有一定的长度，因此存在 16 个额外的换行符。这些额外的换行符会自动添加到导致我收到电子邮件的事件链中的某个位置。

我希望我的电子邮件提取 PHP 脚本删除额外的换行符以恢复内容的原始两行格式。

我知道新的换行符不是由 PHP 脚本添加的，我知道它们来自哪里，但我不知道如何让我的 PHP 脚本删除这些换行符。

这是用于获取电子邮件正文的代码：

$connection = imap_open(
    sprintf(
        '{%s:110/pop3}INBOX',
        Configure::read('Email.Inbox.host')
    ),
    Configure::read('Email.Inbox.email'),
    Configure::read('Email.Inbox.password')
);

$mailbox = imap_check($connection);
$messages = imap_fetch_overview($connection, '1:' . $mailbox->Nmsgs); 

foreach($messages as $message) {
    $content = imap_fetchbody($connection, $message->msgno, 1);
}

我尝试了什么？

我尝试使用imap_body 而不是imap_fetchbody，因为前者不处理电子邮件正文。但是在此之前已经存在额外的换行符，并且与常规换行符没有区别。两者都包含\r\n。

我认为必须有一种方法可以做到这一点，因为 Thunderbird 以正确的格式显示收到的电子邮件，没有额外的 16 个换行符，尽管它们存在于所显示消息的源代码中。因此，可能必须有一种方法从电子邮件中删除额外的 16 个换行符。

这是 Thunderbird 的屏幕截图，顶部显示电子邮件的源代码，底部显示生成的纯文本。

Answer 1

尽管这个问题很老，但当我遇到这个完全相同的问题时，它是最热门的问题之一。正如 Marc 在 cmets 中指出的那样，它确实与 format=flowed 有关。所以我深入研究了 RFC 2646 并找到了 section 4.1，Generating Format=Flowed：

因为软换行符是一个 SP CRLF 序列，生成代理通过在出现空格后插入一个 CRLF 来创建一个。

生成代理不应该在单词中插入空格（不包含空格的可打印字符序列）。如果遇到超过 79 个字符（但小于 998 个字符，[SMTP] 行长限制）的单词，代理应该按原样发送单词并超过行长限制为 79 个字符。

因此，为了获得最初编写的电子邮件，只需搜索所有出现的 SP+CRLF 并将其替换为空即可。然后您可能还想撤消空格填充，同时还要考虑引用的文本（以任意数量的 > 字符开头的行，后跟一个空格）。根据RFC，测试的顺序是引号>空格填充>流水线：

在接收时，如果一行的第一个字符是空格，它会被逻辑删除。这发生在对引用的行进行测试之后，在对流动的行进行测试之前。

我自己厨房的粗略 PoC：

// I'm using fetchmime() because I want to be sure I'm getting the proper MIME type for the relevant section
$mimes = imap_fetchmime($connection, $message->msgno, $section);

// I don't want to store all headers in an array since I just want to know the Content-Type
// [ \t]* is probably not necessary but it's there in case of broken clients/servers
if(preg_match('/^[ \t]*Content-Type.*format=flowed\b/mi', $mimes)) {
    // First, let's undo space stuffing but don't touch stuffed lines with quotes
    $content = preg_replace('/^ +(?!>+ )/m', '', $content);

    // Then, remove flowed SP+(CR)LF sequences as well as any possible quotation marks that might appear after it to reform one long line of text
    $content = preg_replace('/( )\r?\n(>+ +)?/', '$1', $content);

    // Remove empty quoted lines at *the end of the string only*, keeping any such lines anywhere else as-is for readability
    $content = preg_replace('/(\r?\n>+\s*)+$/', '', $content);
}
// And finally trim the entire thing (regardless of formatting)
$content = trim($content);
// Or when outputting to browsers:
//$content = nl2br(trim($content));

对我来说，这适用于：

• 简单的单行电子邮件
• OP 给出的 lorem ipsum 示例有 2 个段落
• 单行后跟 2 个换行符和一个由 2 行组成的签名
• 带有最多 4 个级别的引用的电子邮件（可能超过，但我没有费心检查那么远）