如何解析電子郵件文本，如<salutation><body><signature><reply text>等？

我正在寫分析電子郵件應用程序，它會爲我節省大量的時間，如果我可以使用Python庫，將解析電子郵件文本分解成一個名爲組件，如<salutation><body><signature><reply text>等如何解析電子郵件文本，如<salutation><body><signature><reply text>等？

例如，下面的文字「Hi Dave,\nLets meet up this Tuesday\nCheers, Tom\n\nOn Sunday, 15 May 2011 at 5:02 PM, Dave Trindall wrote: Hey Tom,\nHow about we get together ...」將被作爲

Salutation: "Hi Dave,\n" 
Body: "Lets meet up this Tuesday\n" 
Signature: "Cheers, Tom\n\n" 
Reply Text: "On Sunday, 15 May 2011 at 5:02 PM, Dave Trindal wrote: ..."

我知道有這類問題，做很好的近似，將有助於沒有完美的解決方案，但即使是庫解析。我在哪裏可以找到一個？

來源

2011-05-17 Trindaz

是標準mbox格式的電子郵件嗎？ http://docs.python.org/library/mailbox.html – tMC 2011-05-17 01:13:37

號目前他們在一個MySQL表的文本字段，但是格式化成MBOX格式之前，如果需要的話就不會了解析將是一個非常隨意的一步？ – Trindaz 2011-05-17 01:26:48

https://github.com/Trindaz/EFZP

這提供了原來的問題提出的功能，再加上合理的識別電子郵件區域，因爲它們通常出現在由普通的電子郵件客戶端如Outlook和Gmail英語母語者寫電子郵件。

來源

2011-05-18 04:13:14 Trindaz

想到第一種方法（不一定是最好的......）將是通過使用分割開始。這裏的代碼之類的東西一點點

linearray = emailtext.split（「\ n」）現在你有一個字符串數組，每個人就像一個段落或任何

所以linearray [0]將包含致敬

決定回覆文本開始的位置有點棘手，我注意到在它之前有一個雙換行符，所以也許從後面搜索它，並希望最後一個指示開始的回覆文字。

或者存儲一些您可能期待的簽名詞，並從前面搜索那些詞，如歡呼聲，問候等。

一旦你找出其中的簽名是剩下的就是剩下的就是容易

希望這有助於

來源

2011-05-17 03:58:21 Sheena

如果你的分數基於該類型的詞包含每一行，你可能會得到一個相當好的指示。

E.G.在開頭附近有問候語的一條線是稱呼語（也可以有稱呼過去式的短語，例如上次見到你很高興）

身體通常會包含諸如「電影，音樂會」等等。它還包含動詞（去，跑，走等）和問題標記和提供（例如，我們希望，我們可以，我們應該喜歡..）。退房http://nodebox.net/code/index.php/Linguistics#verb_conjugation http://ogden.basic-english.org/ http://osteele.com/projects/pywordnet/

簽名將包含關閉的話。

如果您發現具有您想要的結構消息的數據源，您可以進行一些頻率分析以查看每個單詞在每個部分中出現的頻率。

每個單詞將得到一個分數[稱呼得分，身體得分，簽名得分，..] 例如，你好可能會發生900次的稱呼，10次的身體和3次的簽名。這意味着你好會得到分配[900,10,3，..] 歡呼聲可能被分配[10,3,100，..]

現在你將有一個大約500,000字的大名單。沒有大範圍的單詞無用。例如catch可能有[100,101,80 ..] =範圍21 （趕上來很好，想要釣到一條魚，以後再抓到你）。捕捉可能發生在任

現在你可以減少單詞的數量減少到約10000

現在每行，給行的得分形式也[稱呼得分，比分體，簽名比分，..]

這個分數是通過添加每個單詞的矢量分數來計算的。

例如句子「你好，歡呼聲給我你的號碼」可以是： [900,10,3，...] + [10,3,100，..] + .. + .. + = [900 + 10 + ..， 10 + 3 + ..，3 + 100，..] = [1023,900,500，..]說

那麼因爲最大的數字是在開始時的敬語得分位置，這句話是一種稱呼。

那麼，如果你有得分您的一條線路，看看行應該是什麼成分，你會增加其得分

運氣好每一個字，總是有計算複雜性之間的權衡和準確性。如果你能夠找到一組好的單詞，並建立一個好的模型來爲你計算基礎，這將有所幫助。

來源

2011-05-17 07:59:38

如何解析電子郵件文本，如<salutation><body><signature><reply text>等？

回答

相關問題