Python邮件正文及附件解析

email邮件解析作为比较基础的模块，用来收取邮件、发送邮件。python的mail模块调用几行代码就能写一个发送/接受邮件的脚本。但是如果要做到持续稳定，能够上生产环境的代码，还是需要下一番功夫，解决编码和内容异常的问题。可能遇到的问题如下：

• 邮件编码问题
• 邮件日期格式解析
• 多附件的下载
• 邮件如何增量解析？

一、连接邮件服务器

首先，将邮件的账户密码配置化:

# config.py
MAIL = {
    "mail_host": "smtp.exmail.qq.com",  # SMTP服务器
    "mail_user": "[email protected]",  # 用户名
    "mail_pwd": "fdaxxx",  # 登录密码
    "sender": "[email protected]",  # 发件人邮箱
    "port":465  # SSL默认是465
}

创建邮件连接，获取邮件列表

from config.py import MAIL

# 连接到腾讯企业邮箱，其他邮箱调整括号里的参数
conn = imaplib.IMAP4_SSL(MAIL['mail_host'], MAIL['port'])
conn.login(MAIL['mail_user'], MAIL['mail_pwd'])
# 选定一个邮件文件夹
conn.select("INBOX")  # 获取收件箱

# 提取了文件夹中所有邮件的编号
resp, mails = conn.search(None, 'ALL')

# 提取了指定编号,按最新时间倒序
mails_list = mails[0].split()
mails_list = list(reversed(mails_list))
mail_nums = len(mails_list)

for i in range(mail_nums):
    print("mail: {}/{}".format(i+1, mail_nums))

    resp, data = conn.fetch(mails_list[i], '(RFC822)')   
    emailbody = data[0][1]
    mail = email.message_from_bytes(emailbody)

二.、邮件编码问题

邮件主题中是一般是可以获取到邮件编码的，但也有获取不准的时候，这时就会报错。这需要做编码兼容性处理。
decode_data()函数优先采用邮件内容获取的编码，如果解析不成功，就依次用UTF-8，GBK，GB2312编码来解析。

# 获取邮件自带的编码
from email.header import decode_header
mail_encode = decode_header(mail.get("Subject"))[0][1]
mail_title = decode_data(decode_header(mail.get("Subject"))[0][0], mail_encode)

def decode_data(bytes, added_encode=None):
    """
    字节解码
    :param bytes:
    :return:
    """
    def _decode(bytes, encoding):
        try:
            return str(bytes, encoding=encoding)
        except Exception as e:
            return None

    encodes = ['UTF-8', 'GBK', 'GB2312']
    if added_encode:
        encodes = [added_encode] + encodes
    for encoding in encodes:
        str_data = _decode(bytes, encoding)
        if str_data is not None:
            return str_data
    return None

三、邮件日期格式解析

邮件日期的格式一般是Mon, 8 Jun 2020 22:02:41 +0800这样的，也有8 Jun 2020 22:02:41 +0800，去掉了星期。
要做到兼容，我只需要解析中间的年月日时分秒。

from datetime import datetime

def parse_mail_time(mail_datetime):
    """
    邮件时间解析
    :param bytes:
    :return:
    """
    print(mail_datetime)
    GMT_FORMAT = "%a, %d %b %Y %H:%M:%S"
    GMT_FORMAT2 = "%d %b %Y %H:%M:%S"
    index = mail_datetime.find(' +0')
    if index > 0:
        mail_datetime = mail_datetime[:index] # 去掉+0800

    formats = [GMT_FORMAT, GMT_FORMAT2]
    for ft in formats:
        try:
            mail_datetime = datetime.strptime(mail_datetime, ft)
            return mail_datetime
        except:
            pass

    raise Exception("邮件时间格式解析错误")

四、邮件增量解析

我们定义邮件的表结构如下：

CREATE TABLE `mail_record_history` (
  `receive_time` datetime NOT NULL COMMENT '邮件接收时间',
  `title` varchar(200) NOT NULL COMMENT '邮件标题',
  `mail_from` varchar(100) DEFAULT NULL,
  `content` text COMMENT '邮件内容',
  `attachment` varchar(400) DEFAULT NULL COMMENT '邮件附件文件',
  `parse_time` datetime DEFAULT NULL COMMENT '解析时间',
  `status` int(11) DEFAULT NULL COMMENT '状态：-1:失败，0:正常; -2: 文件大小为0',
  PRIMARY KEY (`receive_time`,`title`)
)

mail_record_history表的每条记录对应一份邮件，邮件接受时间和邮件标题作为主键。
通过表字段receive_time的最大值来作为增量解析邮件的标准是有缺陷的。
python的mail模块接口没找到指定日期后的邮件，每次都是取全量的邮件序号，从最新的邮件开始解析，如果程序一切顺利（几乎不可能），那是没有问题的。
但是，只有出现一次错误，有可能是网络超时，有可能是邮件服务器不响应，有可能是解析服务器故障，就会出现从最新日期到数据库邮件最大日期之间丢失邮件。
而且下次再触发邮件解析时无法从中断处连续。
这里，我们用redis来存储最大邮件解析的时间点。

REDIS_PARAMS = {
        'host': "192、168.1.111",
        'port': 6379,
        'password': 'xxxxx',
        'db': 14,
    }

def get_redis_client():
    r = redis.Redis(host=REDIS_PARAMS['host'], port=REDIS_PARAMS['port'], password=REDIS_PARAMS['password'], db=REDIS_PARAMS['db'])
    return r

redis_client = get_redis_client()
REDIS_KEY = "max_mail_recieve_time" 

每次解析先获取数据库中最新的邮件时间

def get_max_mail_recieve_time():
    """
    获取数据库最新邮件时间
    :return:
    """
    max_receive_time = redis_client.get(REDIS_KEY)
    if max_receive_time is None or max_receive_time == 'None':
        max_receive_time = "2020-01-01 00:00:00"  #
        redis_client.set(REDIS_KEY, max_receive_time)

    if isinstance(max_receive_time, bytes):
        max_receive_time = str(max_receive_time, encoding='utf-8')
    return max_receive_time

从最新邮件开始解析，当邮件时间小于数据库最新时间时，就终止解析

import arrow

max_recieve_time = get_max_mail_recieve_time()
max_mail_time_str = None
for i in range(mail_nums):
    print("mail: {}/{}".format(i+1, mail_nums))

    resp, data = conn.fetch(mails_list[i], '(RFC822)')
   
    emailbody = data[0][1]
    mail = email.message_from_bytes(emailbody)
    mail_datetime = parse_mail_time(mail.get("date"))

    if arrow.get(mail_datetime) < arrow.get(max_recieve_time):
        return
    if i == 0:
        max_mail_time_str = arrow.get(mail_datetime).format("YYYY-MM-DD HH:mm")

当所有邮件都解析成功时，才更新redis的数据库最新时间(REDIS_KEY)。

if max_mail_time_str:
    redis_client.set(REDIS_KEY, max_mail_time_str)

五、邮件正文解析

mail_body = decode_data(get_body(mail))  

# 解析邮件内容
def get_body(msg):
    if msg.is_multipart():
        return get_body(msg.get_payload(0))
    else:
        return msg.get_payload(None,decode=True)

六、邮件附件下载

MAIL_DIR = '/tmp'
mail_date_str = '2020-06-09'

# 获取邮件附件
fileNames = []
for part in mail.walk():        
    fileName = part.get_filename()

    # 如果文件名为纯数字、字母时不需要解码，否则需要解码
    try:
        fileName = decode_header(fileName)[0][0].decode(decode_header(fileName)[0][1])
    except:
        pass

    # 如果获取到了文件，则将文件保存在制定的目录下
    if fileName:
        dirPath = os.path.join(MAIL_DIR, mail_date_str)
        os.system("chmod -R 777 {}".format(dirPath))
        if not os.path.exists(dirPath):
            os.makedirs(dirPath)

        filePath = os.path.join(dirPath, fileName)

        try:
            if not os.path.isfile(filePath):
                fp = open(filePath, 'wb')
                fp.write(part.get_payload(decode=True))
                fp.close()
                print("附件下载成功，文件名为：" + fileName)
            else:
                print("附件已经存在，文件名为：" + fileName)
        except Exception as e:
            print(e)