这里是巨蟒新手。我想浏览一个大的mbox文件,解析电子邮件消息。我可以这样做:

import sys
import mailbox

def gen_summary(filename):
    mbox = mailbox.mbox(filename)
    for message in mbox:
       subj = message['subject']
       print subj

if __name__ == "__main__":
    if len(sys.argv) != 2:
        print 'Usage: python genarchivesum.py mbox'
        sys.exit(1)

    gen_summary(sys.argv[1])

但我需要更多的控制。我需要能够在mbox文件中获取给定电子邮件开头的字节位置,还需要获取消息中的字节数(如磁盘上所示)。然后在将来,我不需要从mbox文件的开头开始迭代,我需要能够搜索到一个给定的消息,并仅仅解析它(因此需要获得磁盘上的字节位置)。这些都是大型mbox文件,效率是一个问题。
所有这一切的目的是为了我可以生成一个摘要文件,其中包含关于MBOX中每个电子邮件的一些小部分,然后在将来有效地查找MBOX中的单个电子邮件。

最佳答案

我还没有测试过这个,但是像这样的东西可能对你有用。只需打开文件(在二进制模式下,这样您的字节计数是正确的),然后扫描它,查找消息。

def is_mail_start(line):
    return line.startswith("From ")

def build_index(fname):
    with open(fname, "rb") as f:
        i = 0
        b = 0
        # find start of first message
        for line in f:
            b += len(line)
            if is_mail_start(line):
                break
        # find start of each message, and yield up (index, length) of previous message
        for line in f:
            if is_mail_start(line):
                yield (i, b)
                i += b
                b = 0
            b += len(line)
        yield (i, b) # yield up (index, length) of last message

# get index as a list
mbox_index = list(build_index(fname))

一旦你有了索引,你就可以在一个文件对象上使用.seek()方法来查找它,在文件对象上使用.read(length)方法来读取一条消息。不过,我不确定如何将mailbox模块与字符串一起使用;我认为它是为了在适当的位置处理邮箱。也许还有其他一些邮件分析模块可以使用。

关于python - 用Python解析mbox文件,我们在Stack Overflow上找到一个类似的问题:https://stackoverflow.com/questions/10251782/

10-12 01:32
查看更多