使用 Python 在电子邮件正文中查找链接

Question

我目前正在 Python 开展一个项目，该项目将连接到电子邮件服务器并查看最新的电子邮件以告知用户是否有附件或 link 嵌入其中电子邮件。我有前者的工作但没有后者。

我的脚本的 if any() 部分可能有问题。因为当我测试时它似乎只工作了一半。虽然这可能是由于电子邮件字符串的打印方式？

这是我连接到 gmail 然后查找 link 的代码。

import imaplib
import email

word = ["http://", "https://", "www.", ".com", ".co.uk"] #list of strings to search for in email body

#connection to the email server
mail = imaplib.IMAP4_SSL('imap.gmail.com')
mail.login('email@gmail.com', 'password')
mail.list()
# Out: list of "folders" aka labels in gmail.
mail.select("Inbox", readonly=True) # connect to inbox.

result, data = mail.uid('search', None, "ALL") # search and return uids instead

ids = data[0] # data is a list.
id_list = ids.split() # ids is a space separated string
latest_email_uid = data[0].split()[-1]

result, data = mail.uid('fetch', latest_email_uid, '(RFC822)') # fetch the email headers and body (RFC822) for the given ID


raw_email = data[0][1] # here's the body, which is raw headers and html and body of the whole email
# including headers and alternate payloads

print "---------------------------------------------------------"
print "Are there links in the email?"
print "---------------------------------------------------------"

msg = email.message_from_string(raw_email)
for part in msg.walk():
    # each part is a either non-multipart, or another multipart message
    # that contains further parts... Message is organized like a tree
    if part.get_content_type() == 'text/plain':
        plain_text = part.get_payload()
        print plain_text # prints the raw text
        if any(word in plain_text for word in word):
            print '****'
            print 'found link in email body'
            print '****'
        else:
            print '****'
            print 'no link in email body'
            print '****'

基本上如您所见，我有一个名为 'Word' 的变量，其中包含要在纯文本电子邮件中搜索的关键字数组。

当我发送带有嵌入式 link 且格式为 'http://' 或 'https://' 的测试电子邮件时 - 电子邮件打印出带有 [=35= 的电子邮件正文] 在这样的文本中 -

---------------------------------------------------------
Are there links in the email?
---------------------------------------------------------
Test Link <http://www.google.com/>


****
found link in email body
****

我收到打印消息 'found link in email body' - 这是我在测试阶段寻找的结果，但这会导致在最终程序中发生其他事情。

然而，如果我在没有 http:// 的电子邮件中添加嵌入的 link，例如 google.com，那么 link 不会打印出来，我也不会得到结果，即使我有一个嵌入式 link.

这有什么原因吗？我还怀疑我的 if any() 循环可能不是最好的。我最初添加它时并没有真正理解它但是它适用于http://links。然后我只尝试了 .com 并遇到了我的问题，我无法找到解决方案。

Answer 1

要检查 e-mail 是否有附件，您可以在 headers 中搜索 Content-Type，看看它是否显示 "multipart/*"。 E-mails 具有多部分内容类型可能包含附件。

要检查 link 的文本、图像等，您可以尝试使用 Regular Expressions。事实上，在我看来，这可能是您的最佳选择。使用正则表达式（或正则表达式），您可以找到与给定模式匹配的字符串。例如，模式 "<a[^>]+href=\"(.*?)\"[^>]*>(.*)?</a>" 应该匹配电子邮件中的所有 link，无论它们是单个单词还是完整的 URL。希望对您有所帮助！以下是如何在 Python:

中实现此功能的示例

import re

text = "This is your e-mail body. It contains a link to <a 
href='http//www.google.com'>Google</a>."

link_pattern = re.compile('<a[^>]+href=\'(.*?)\'[^>]*>(.*)?</a>')
search = link_pattern.search(text)
if search is not None:
    print("Link found! -> " + search.group(0))
else:
    print("No links were found.")

对于 "end-user"，link 将仅显示为 "Google"，没有 www，更不用说 http(s)...但是，源代码将具有 html 包装它，因此通过检查消息的原始 body，您可以找到所有 links.

我的代码并不完美，但我希望它能给你一个大致的方向...你可以在你的 e-mail body 文本中查找多个模式，用于图像出现、视频等. 要学习正则表达式，您需要稍微研究一下，这是另一个 link, to Wikipedia

使用 Python 在电子邮件正文中查找链接

Finding links in an emails body with Python

python

email

parsing

imaplib