我正在编写一个需要从电子邮件对话中提取元数据的 BI 应用程序。 即给定一个电子邮件线程，我希望提取所有参与者和对话结构。例如，给定这样的对话：
From: me
To: You
CC: someone
<Body>
From: You
To: Someone
CC: Someone else
<Body>
我想提取发送给“某人”的“你”并通过抄送发送给“某人”，所有这些都从“我”转发给“你”，抄送给“某人”...
我的问题是我需要处理不同的提供者。
是否有人熟悉网络上某处涵盖此类需求的一组正则表达式？
谢谢！
【问题讨论】：
我不明白您所说的“不同的供应商”是什么意思。电子邮件标题跟随a standard。因此，作为正则表达式，您只需要解析：
To: <contacts>
From: <contact>
Cc: <contacts>
更“复杂”的部分是<contact> 位。如需详细规格，请查看section 3.4 of the mentioned standard。
还有有用的regex examples for email-addresses 可用。所以，举个最基本的例子，它可能看起来像这样（假设都是大写的）：
\b[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}\b
现在，添加 To: 字符串：
\bTo: [A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}\b
从技术上讲，标题（如To: ）总是从行首开始，所以你可以这样做：
^To: [A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4}\b
如果需要提取邮箱地址，需要添加捕获组：
^To: ([A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4})\b
这只会捕获一个地址，因此您可能希望从这里扩展：
^To: ([A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4})(,\s*[A-Z0-9._%+-]+@[A-Z0-9.-]+\.[A-Z]{2,4})*\b
这是匹配多个地址的一种非常幼稚的方式。您最终将在一个捕获组中拥有第一个地址，而在第二组中拥有所有其余地址。更好的方法是与之匹配。如果匹配，删除前导的To: ，用逗号分割并修剪其余部分。
如您所见，您在这里打开了一小罐蠕虫。解析电子邮件并不像看起来那么简单。解析标头很简单（基于上述示例）。然而，消息体是另一种野兽。几乎每个电子邮件客户端（Thunderbird、Outlook (express)、mutt、...）处理这个略有不同。有时新版本的行为与旧版本不同。这在很大程度上取决于客户端设置、系统区域设置等。用户是否发送 UTF8、引用的可打印、CP1252、...？引用标准：
注意：本规范并非旨在规定网站使用的内部格式， 他们期望支持的特定消息系统功能，或任何 创建或读取消息的用户界面程序的特征。此外， 本文档未指定传输或传输字符的编码 贮存;也就是说，它没有指定使用的位数或这些位数如何 专门通过网络传输或存储在磁盘上。
您可能很幸运，因为发送电子邮件客户端添加了一个标头，指定了编码，但他们并没有强制这样做（AFAICS）。
下一件大事是多部分消息。这也有点片状。
我的建议是使用现成的库来进行解析。我敢肯定，大多数流行语言都有一个可用的库，可以大大轻松完成这项任务。
【讨论】：
如果您希望自己实现它，请从这里开始：http://www.ietf.org/rfc/rfc2822.txt
【讨论】：
Message-Id:、References: 和 In-Reply-To: 标头字段，或 Subject: 字段（如果它以 Re 或 Fw 或这些字符串的任何本地化形式开头）。
你在问不可能的事。在这种情况下，您需要使用真正的解析器，而不仅仅是使用正则表达式构建一些东西。
您可以在Parse email content from quoted reply 此处查看答案，其中有人试图使用正则表达式和 cmets 执行类似的操作，以了解它有多么棘手。请阅读the paper on assembling email threads。
如果您想要一些测试数据来尝试这个，您可以下载Enron dataset，其中包含安然员工在崩溃之前发送/接收的半百万封电子邮件（400meg 压缩）。
【讨论】：