如何從文檔中間提取第1行到第3行？

Question

如何使用python re提取中間部分（第一行，第二行和第三行）？

--089e013d100acf582104f809fd8d 
Content-Type: text/plain; charset=UTF-8 

first line 
second line 

third line 

--089e013d100acf582104f809fd8d 

第一部分閱讀郵箱：

#!/usr/bin/env python 
import poplib 
from email import parser 

pop_conn = poplib.POP3_SSL('mail.company.com') 
pop_conn.user('user') 
pop_conn.pass_('') 

#newest email has the highest message number 
numMessages = len(pop_conn.list()[1]) 

(server_msg,body,octets) = pop_conn.retr(numMessages) 

Answer 1

正則表達式只有真正可用於簡單的（常規）模式。理論上，正則表達式是表示有限狀態機的一種方式。通常，它們用於詞法分析/詞法分析器（將程序字符串拆分爲一系列令牌）或匹配常規字符串（例如羅馬數字）。

它看起來就像你正在試圖解析多部分MIME文件，例如：

MIME-Version: 1.0 
Content-Type: multipart/alternative; boundary="mimetest" 

This part is ignored. 
--mimetest 
Content-Type: text/plain 

Part 1 
--mimetest 
Content-Type: text/rtf 

\rtf{\par Part 2} 
--mimetest-- 

在這裏，你有兩個內MIME文件外MIME文件。每個mime文檔都有一個標題部分，後面跟着一個空行，後面跟着內容。

最好的方法是編寫一個解析器，將該頭與內容一起讀入字典中。然後，您可以使用正則表達式來定位邊界並提取邊界之間，例如文本：

MIME_STATE_HEADER = 1 
MIME_STATE_BODY = 2 

def read_lines(text): 
    if isinstance(text, list): 
     return text 
    return re.split(r'\r?\n', text) 

def parse_mime(text): 
    header_line = re.compile(r'^([A-Za-z\-]+): (.*)$') 
    state = MIME_STATE_HEADER 
    header = {} 
    body = [] 
    for line in read_lines(text): 
     if state == MIME_STATE_HEADER: 
      if line == '': 
       state = MIME_STATE_BODY 
       continue 
      m = header_line.match(line) 
      if not m: 
       raise Exception('Invalid header section: %s' % line) 
      header[ m.group(1).lower() ] = m.group(2) 
     elif state == MIME_STATE_BODY: 
      body.append(line) 
    return header, body 

def mime(text): 
    header, body = parse_mime(text) 
    content_type = re.compile(r'multipart/.*; boundary="(.*)"') 
    m = content_type.match(header['content-type']) 
    if m: 
     boundary = re.escape(m.group(1)) 
     matcher = re.compile(r'\r?\n--%s(--)?\r?\n' % boundary) 
     parts = [ mime(part) for part in matcher.split('\n'.join(body))[1:-2] if part ] 
     return header, parts 
    return header, '\n'.join(body) 

此代碼將處理各種基於MIME的文件，但有幾個限制/錯誤：

1. 這將不支持標頭包起來，如：

   Content-Type: multipart/related; 
       boundary="text" 
   

2. 它不支持不帶引號的界限，如Content-Type: multipart/related; boundary=text。

3. 它不支持像Debian bugmail（例如以From email date time開頭）或HTTP/SMTP標識符/狀態行這樣的郵件存檔。

有了這些Python的正則表達式：

• ^線
• $的開始相匹配的線的端部
• [abc]匹配所有的字符的匹配a，b，c （之一）
• [a-z]比賽通過對z
• \-逸出，因此可以在一個[]表達式中使用的字符-任何字符a的
• a+匹配一個或表達的多個實例a
• a*匹配零或表達的多個實例a
• .任何字符
• a?任選匹配a匹配（即。匹配的a零個或一個實例）
• \r匹配回車符
• (a)捕獲下一個組中的匹配a表達的含量 - 通過m.group(n)
• 任何在上面的表達式匹配作爲別的訪問-is

^([A-Za-z\-]+): (.*)$在MIME頭中的一個頭的條目，使得m.group(1)是標題名稱（例如，「內容類型」）和m.group(2)的是，報頭的內容相匹配。

\r?\n匹配Windows或Linux風格的行結束符（MIME文檔應該使用'\ r \ n'，但在本地保存文件時可以轉換爲\n）。

multipart/.*; boundary="?(.*)"?在Content-Type標題條目中查找用於邊界的文本。

\r?\n--%s(--)?\r?\n找到一個單獨的邊界（其中%s是動態添加的邊界 ）。注意：我已通過re.escape傳遞邊界字符串以防止它被利用（即它包含諸如boundary="[a-z]"之類的正則表達式）。

實際上，您應該在Python中使用email模塊，該模塊支持解析RFC822（email/mime）文檔。 documentation表示：「對於簡單的非MIME消息，這個根對象的負載可能是一個包含消息文本的字符串。對於MIME消息，根對象將從它的is_multipart（）方法返回True，並且子部分可以通過get_payload（）和walk（）方法訪問。「

更新：我創建了一個read_lines幫手，支持字符串列表（例如C poplib）和一個字符串（例如Cf.read()）。

UPDATE：的--%s\r?\n(.*)\r?\n--%s匹配邊界檢測在：

matcher = re.compile(r'--%s\r?\n(.*)\r?\n--%s' % (boundary, boundary)) 
parts = [ mime(part) for part in matcher.findall(body) ] 

有兩個問題：

1. 它不換行（這可以通過使用re.compile(..., re.DOTALL)來解決匹配結束;
2. 太貪婪（它匹配多個部分）

後者不容易用正則表達式解決。解決的辦法是分割的邊界線，從而導致：

[part0, None, part1, None, part2, ..., partN, '--', ''] 

其中part0是第一邊界之前的部分。因此[1:-2]用於刪除part0和兩個結束匹配，並且if part用於避免None匹配。

Answer 2

下面是簡單的代碼，我會用捕捉到三條線：

reobj = re.compile("Content-Type:.*?\n+([^\n]+)\n+([^\n]+)\n+([^\n]+)\n*") 
match = reobj.search(subject) 
if match: 
    line1 = match.group(1) 
    line2 = match.group(2) 
    line3 = match.group(3) 
else: 
    result = "" 

這是如何工作的？

1. 我們將在一組捕獲括號之間捕獲每一行。它們將是第1組，第2組，第3組。
2. 要獲得我們想要的內容，我們匹配Content-Type（不捕獲它），然後匹配下一系列新行的所有內容， \n+
3. 每行捕獲與([^\n]+)這意味着「匹配任何數目的字符是什麼都沒有了新的生產線。
4. 捕捉每行之後，我們吃的任何數量的新線，\n+。第3組後的最終換行符是可選的：\n*（事實上，正則表達式在沒有它的情況下工作。）