提问人：Todd 提问时间：11/16/2023 最后编辑：brian d foyTodd 更新时间：11/22/2023 访问量：103
如何从任意文本中提取电子邮件标题和邮件 ID？
How can I extract email headers and message IDs from arbitrary text?
问：
以下测试程序说明了我在尝试区分 MessageID 和电子邮件地址时遇到的一个问题，尤其是当我事先不知道我正在解析电子邮件标题时。
#!/opt/perl/bin/perl
# use Regexp::Debugger;
use warnings;
no warnings qw(experimental::vlb);
my $re = qr{
(
(?:
# one or more of these
[\=a-z0-9!\#$%&'*+/?^_`{|}~-]+
# zero or more of these
(?:\.[\=a-z0-9!\#$%&'*+/?^_`{|}~-]+)*
)
@
(?:
(?!\d+\.\d+)
(?=.{4,255})
(?:
(?:[a-zA-Z0-9-]{1,63}(?<!-)\.)+
[a-zA-Z0-9-]{2,63}
)
)
)
}xims;
my $text = <<'EOF';
Arbitrary text followed by a snippet of an email header:
To: "T B" <[email protected]>, "Foobar" <[email protected]>
Message-ID: <[email protected]>
More text.
EOF
while ( $text =~ m/$re/g ) {
print "$1\n";
}
输出：
[email protected]
[email protected]
[email protected]
我想要的输出是
[email protected]
[email protected]
我尝试在后面添加一个外观，但后来我没有得到匹配项。(?<=To:\ )
较大的程序对输入文本应用几百个正则表达式。每个正则表达式都是一种特定的类型，例如 foo => qr/[Ff]oo/，如果它匹配，则该文本会用标识它匹配的正则表达式的标记“包装”。例如<span class=“foo”>foo</span>。
答：
2赞
zdim
11/17/2023
#1
通过问题澄清（以及更改为不只请求正则表达式），这里有一个看法。
首先提取所有标题，每个标题都带有后面的文本，直到下一个标题（请参阅下面的进一步内容，以仅匹配标题）。然后，我们可以从这些捕获的项目中获取地址，从我们想要的标头中获取地址。必须首先获取所有标头，否则不需要的标头会被我们匹配的标头啜饮。
use warnings;
use strict;
use feature 'say';
my $text = do { local $/; <DATA> }; # slurp all text into a scalar
#say $text; say '-'x60;
# These better be all headers with email addresses in the text
my $hdr_re = qr/To|From|Message-ID/;
my @headers_plus = $text =~ /( $hdr_re: .*? )(?=(?:$hdr_re|$) )/sxg;
#say "\nHeaders with the following text (until next header):\n";
#say "$_\n---\n" for @headers_plus;
foreach my $hdr_plus (@headers_plus) {
next if not $hdr_plus =~ /^\s*(To|From)/;
my $header_type = $1;
my @addresses = $hdr_plus =~ /<([^>]+)>/g;
say "Addresses for |$header_type| header:";
say for @addresses;
say '';
}
__DATA__
Arbitrary text followed by a snippet of an email header:
To: "T B" <[email protected]>, "Foobar" <[email protected]>
Message-ID: <[email protected]>
From: "X Y" <[email protected]>,
"Other" <[email protected]>
To: "Yo" <[email protected]>
More text.
我在问题的文本中添加了一些标题，一个多行。为了匹配下一个标题的开头，我使用正 lookahead （？=...） 作为下一个标题的关键字（或字符串末尾，如果它是文本中的最后一个标题）。
这是相当初级的，但重点是它很简单，希望它适用于问题中所示的简化情况。但请记住，解析标头是很棘手的。
这种方法非常简单，正则表达式非常宽松 -- 在捕获每个 or 或 all 之后，直到下一个 or 或 .因此，它会对大部分文本进行分区，如果其他电子邮件地址存在于标题之外的文本中，我们可能会“捕获”它们。因此，也许你更愿意限制在&Co之后捕获的内容。To:From:Message-ID:To:From:Message-ID:To:
为此，让我们大致遵循 RFC 2822 第 3.6 节和第 3.4 节，并考虑字段可以具有逗号分隔的地址，并且对于地址，采用“name”<address>形式（并使 name 成为可选），如问题所示。该列表可能只有一个地址，然后不会以逗号结尾，例如 for 和 。然后ToFrom:Message-ID
my @headers = $text =~ / (
$hdr_re: \s*
(?: (?: "[^"]+")? \s* <[^>]+>, \s* )*
(?: "[^"]+")? \s* <[^>]+>
) /xg;
这在我的测试中适用于扩展问题的样本。但是，以这种方式限制正则表达式，这仍然很不完整，当然可能会导致丢失一些现实生活中的地址和/或无法匹配。因此，请在真实样品上仔细测试。
还可以立即过滤掉不需要的标头
my @headers_plus =
grep { /^\s*To|From/ }
$text =~ /( $hdr_re: .*? )(?=(?:$hdr_re|$))/sxg;
然后你也可以在那里抛出一个并获取地址，但我认为没有理由像那样塞满它。map
文本中的正则表达式允许标题从行中的任意位置开始。但是，如果它们总是从一行的开头开始，那么这可能是一个很好的限制。然后我们就会有
my @headers_plus = $text =~ /^\s*( $hdr_re: .*? )(?=(?:$hdr_re|\Z))/msxg;
现在我们需要“多行”修饰符 （），以便匹配文本中的新行。然后整个字符串的末尾是（因为现在匹配文本中每个“行”的末尾）。/m^\Z$
与与实际标题匹配的模式相同（没有以下文本，稍后在帖子中显示），只是我们不需要修饰符，因为该模式中不需要修饰符。/s.
评论
0赞
zdim
11/21/2023
@Todd 添加了一个正则表达式，用于从文本中挑选实际的标题，比原始正则表达式选取的“header-plus”更受限制（字段名称后面的所有内容，直到下一个字段名称）。这当然更好 - 但是如果它与文本中的所有现实标题相匹配，那么现在这成为一个有效的问题。（当然，原来的“header-plus”应该匹配，因为它实际上只是对文本进行了分区。如果它们像你展示的那样简单和一致，这应该有效。
0赞
Reilas
11/17/2023
#2
Message-ID 字段应仅包含一个地址。
RFC 2822 – Internet 消息格式 – 3.6.4。标识字段
...“Message-ID：”字段包含单个唯一消息标识符。...
请尝试以下捕获模式。
(?<!^Message-ID:\s)<(.+?)>
或者，匹配模式。
(?<!^Message-ID:\s<)(?<=<).+?(?=>)
0赞
mpersico
11/21/2023
#3
首先，我会编写一个脚本，将任何匹配的内容提取到一个单独的文件中
/^\w+:/
即：任何看起来像标题的东西。然后我会尝试找到一个邮件消息解析模块并使用它。
评论
(?<=(From|To))perlTo: [email protected],\r\n<space> [email protected]\r\n