是否有可能以编程方式“清理”电子邮件？

Question

有没有人对我如何清理传入邮件的主体有任何建议？我想删除免责声明，图片以及可能也会出现的任何以前的电子邮件文本，这样我只剩下正文文本内容。我的猜测是不可能以任何可靠的方式实现，但是有没有人尝试过？有没有适合这种事情的图书馆？

Answer 1

在电子邮件中，有一些商定的标记意味着你想要剥离的东西。您可以使用regular expressions查找这些行。我怀疑你不能真的很好“消毒”您的电子邮件，但你可以找一些事情：

1. 线开始“>”（大于然后空格更大），标志着报价
2. 本着“ - - “（然后两个连字符的空格，然后换行）标志着一个签名的开始，看到Signature block on Wikipedia
3. 多部分消息，边界与开始 -，除此之外，你需要做一些搜索从不需要的部分邮件正文部分分开（如base64图像）

至于实际的C＃实现，我会为您或其他SOers留下。

Answer 2

如果您创建自己的应用程序，我会查看正则表达式，找到文本并将其替换。为了使应用程序有点不错，我会创建一个叫做电子邮件的类，并且在该类中我有一个名为RAW的属性和一个名为Stripped的属性。

只是一些提示，你会收集其余的时候，你看着正则表达式！

Answer 3

一些明显的事情来看待：

1. 如果邮件是什么，但纯粹的纯文本，该消息将是多部分MIME。任何类型为“image/*”的部分（image/jpeg等）都可能被删除。在所有可能的情况下，任何类型不是“text/*”的部分都可以使用。
2. 一个HTML消息可能会有一个类型为“multipart/alternative”（我认为）的部分，并且将包含2个部分，一个为“text/plain”和一个为“text/html”。这两部分应该大致相同，因此您可以删除HTML部分。如果唯一存在的部分是HTML位，则可能必须执行HTML以纯文本转换。
3. 引用文本的通常格式是在文本前面加上“>”字符。您应该能够删除这些行，除非行开始“>从”，在这种情况下已插入“>”以防止邮件阅读器认为“发件人”是新邮件的开始。
4. 签名应该以“ - \ r \ n”开头，尽管后面的空间很可能会丢失。

Answer 4

OSBF-Lua的第3版有一个邮件解析库，它将处理MIME并将邮件拆分为其MIME部分等等。我目前有一堆Lua脚本，它们会像 那样忽略大多数非文本附件，比较喜欢纯文本到HTML，等等。 （为了保留引号，我也将长行换成80个字符。）

就删除先前引用的邮件而言，上述建议都很好（您必须订阅一些不合适的邮件列表）。

可靠地删除免责声明可能会很难。我的第一步是简单地维护一个免责声明库，这个免责声明将从每封邮件的末尾删除;我会编写一个脚本，使我能够轻松地添加到库中。对于更复杂的东西，我会尝试一些机器学习。

自2007年2月以来，我一直致力于垃圾邮件过滤，并且我发现任何与电子邮件有关的事情都是一团糟。一个好的经验法则是，无论你想要做什么都比你想象的要困难得多:-(

Answer 5

鉴于你的问题“是否有可能以编程方式'清洁'电子邮件？”，我会回答“否，不可靠”

你所面临的危险是不是一个真正的技术，而是一个社会学的一个

这是很容易被发现，并过滤掉，邮件的某些方面 - 。像图像过滤out签名和免责声明同样可以实现（尽管更多的是挑战）

真正的问题是开发人员的成本它错了。

如果您的过滤器碰巧删除了一条关键信息，会发生什么情况？你可以追溯到找到缺失的部分，或者是你的过滤desytructive？更糟糕的是，你会注意到这件作品丢失了吗？

我在几年前看到过一个经典的喜剧素描来说明这一点。两个人一起在一辆车上工作。一位在做这项工作，另一位坐在附近阅读服务手册的指示 - 很明显，没有人知道他在做什么，但他们正在尽力而为。

手册家伙，朗读：“撤消大胆的油底壳的中心......” [转页]

工具的家伙：“好吧，这出去了。”

手动人：“......在任何情况下”。