从引用回复中parsing电子邮件内容
我试图弄清楚如何从任何可能包含的引用回复文本中parsing出电子邮件的文本。 我已经注意到，通常电子邮件客户端会在“如此如此写的date”上放置一个“尖括号”。 不幸的是，不是每个人都这样做 有没有人有任何想法如何以编程方式检测答复文本？ 我正在使用C＃编写这个parsing器。
我做了很多更多的search，这是我find的。 基本上有两种情况：你有整个线程，什么时候没有。 我将把它分成两类：
当你有线程：
如果你有整个系列的电子邮件，你可以达到很高的保证，你正在删除的是实际引用的文本。 有两种方法可以做到这一点。 一个，你可以使用消息的Message-ID，In-Reply-To ID和Thread-Index来确定单个消息，它的父代以及它所属的线程。 有关这方面的更多信息，请参阅RFC822 ， RFC2822 ， 关于线程的这篇有趣的文章 ，或者关于线程的本文 。 一旦你重新组装了线程，你就可以删除外部文本（比如To，From，CC等等），你就完成了。
如果您使用的邮件没有标题，则还可以使用相似性匹配来确定电子邮件的哪些部分是答复文本。 在这种情况下，你坚持做相似性匹配来确定重复的文本。 在这种情况下，您可能需要查看一个Levenshtein距离algorithm，例如Code Project上的这个 algorithm 。
无论如何，如果您对线程处理感兴趣，请查看有关重新组装电子邮件线程的优秀PDF 。
当你没有线程时：
如果你只从线程中获得一条消息，你就不得不猜测报价是什么。 在这种情况下，我看到了不同的引用方法：
- 一条线（如前所见）。
- 尖括号
- “ – -原始信息 – -”
- “在某某天，某某写道：”
从那里删除文本，你就完成了。 其中任何一个缺点是，他们都假设发件人把他们的回复放在引用的文本之上，而不是交错（就像互联网上的旧风格）。 如果发生这种情况，祝你好运。 我希望这可以帮助你们中的一些人！
首先，这是一个棘手的任务。
您应该从不同的电子邮件客户端收集典型的响应，并准备正确的正则expression式（或其他）来parsing它们。 我收集了outlook，thunderbird，gmail，apple邮件和mail.ru的回复。
我正在使用正则expression式来parsing以下方式的响应：如果expression式不匹配，我尝试使用下一个。
new Regex("From:\\s*" + Regex.Escape(_mail), RegexOptions.IgnoreCase); new Regex("<" + Regex.Escape(_mail) + ">", RegexOptions.IgnoreCase); new Regex(Regex.Escape(_mail) + "\\s+wrote:", RegexOptions.IgnoreCase); new Regex("\\n.*On.*(\\r\\n)?wrote:\\r\\n", RegexOptions.IgnoreCase | RegexOptions.Multiline); new Regex("-+original\\s+message-+\\s*$", RegexOptions.IgnoreCase); new Regex("from:\\s*$", RegexOptions.IgnoreCase); 最后删除引用：
new Regex("^>.*$", RegexOptions.IgnoreCase | RegexOptions.Multiline);
这里是我收集的testing回答（样本除以— ）：
From: test@test.com [mailto:test@test.com] Sent: Tuesday, January 13, 2009 1:27 PM ---- 2008/12/26 <test@test.com> > text ---- test@test.com wrote: > text ---- test@test.com wrote: text text ---- 2009/1/13 <test@test.com> > text ---- test@test.com wrote: text text ---- 2009/1/13 <test@test.com> > text > text ---- 2009/1/13 <test@test.com> > text > text ---- test@test.com wrote: > text > text <response here> ---- --- On Fri, 23/1/09, test@test.com <test@test.com> wrote: > text > text
最好的问候，奥列格Yaroshevych
谢谢，Goleg，正则expression式！ 真的帮了忙。 这不是C＃，但对于那里的谷歌，这是我的Rubyparsing脚本：
def extract_reply(text, address) regex_arr = [ Regexp.new("From:\s*" + Regexp.escape(address), Regexp::IGNORECASE), Regexp.new("<" + Regexp.escape(address) + ">", Regexp::IGNORECASE), Regexp.new(Regexp.escape(address) + "\s+wrote:", Regexp::IGNORECASE), Regexp.new("^.*On.*(\n)?wrote:$", Regexp::IGNORECASE), Regexp.new("-+original\s+message-+\s*$", Regexp::IGNORECASE), Regexp.new("from:\s*$", Regexp::IGNORECASE) ] text_length = text.length #calculates the matching regex closest to top of page index = regex_arr.inject(text_length) do |min, regex| [(text.index(regex) || text_length), min].min end text[0, index].strip end
到目前为止，它工作得很好。
到目前为止，最简单的方法是在内容中放置一个标记，例如：
—请回复上面这一行—
正如你毫无疑问注意到的，parsing引用文本并不是一件容易的事情，因为不同的电子邮件客户以不同的方式引用文本。 要正确地解决这个问题，您需要在每个电子邮件客户端中进行考虑和testing。
Facebook可以做到这一点，但除非你的项目有很大的预算，否则你可能做不到。
奥列格已经解决了这个问题，使用正则expression式find“2012年7月13日，13：09，xxx写道：”文字。 但是，如果用户删除了这个文本，或者在电子邮件的底部回复，那么这个解决scheme将无法工作。
同样，如果电子邮件客户端使用不同的datestring，或者不包含datestring，则正则expression式将失败。
电子邮件中没有回复的通用指示符。 你可以做的最好的尝试是赶上最常见的parsing新模式，当你遇到他们。
请记住，有些人在引用的文本中插入回复（例如，我的老板就像我问他们那样回答问题），所以无论你做什么，都可能会丢失一些你想要保留的信息。
这是@ hurshagrawal的Ruby代码的C＃版本。 我不太了解Ruby，所以可能会closures，但我想我是对的。
public string ExtractReply(string text, string address) { var regexes = new List<Regex>() { new Regex("From:\\s*" + Regex.Escape(address), RegexOptions.IgnoreCase), new Regex("<" + Regex.Escape(address) + ">", RegexOptions.IgnoreCase), new Regex(Regex.Escape(address) + "\\s+wrote:", RegexOptions.IgnoreCase), new Regex("\\n.*On.*(\\r\\n)?wrote:\\r\\n", RegexOptions.IgnoreCase | RegexOptions.Multiline), new Regex("-+original\\s+message-+\\s*$", RegexOptions.IgnoreCase), new Regex("from:\\s*$", RegexOptions.IgnoreCase), new Regex("^>.*$", RegexOptions.IgnoreCase | RegexOptions.Multiline) }; var index = text.Length; foreach(var regex in regexes){ var match = regex.Match(text); if(match.Success && match.Index < index) index = match.Index; } return text.Substring(0, index).Trim(); }
如果您控制原始消息（例如来自Web应用程序的通知），则可以放置一个明确的，可识别的标题，并将其用作原始文章的分隔符。
这是一个很好的解决scheme。 找了这么久才find的
另外，如上所述，这是明智的，所以上述expression式没有正确parsing我的gmail和outlook（2010）响应，为此我添加了以下两个正则expression式。 让我知道任何问题。
//Works for Gmail new Regex("\\n.*On.*<(\\r\\n)?" + Regex.Escape(address) + "(\\r\\n)?>", RegexOptions.IgnoreCase), //Works for Outlook 2010 new Regex("From:.*" + Regex.Escape(address), RegexOptions.IgnoreCase),
干杯
这是旧的post，但是，不知道你是否知道github有一个Ruby库提取答复。 如果你使用.NET，我有一个.NET在https://github.com/EricJWHuang/EmailReplyParser
