使用python解析outlook.msg文件以获取HTML正文

Question

我在 StackOverflow 上四处查看，找不到从

msg

文件获取 HTML 正文的令人满意的答案。有谁知道如何用Python解析outlook中的.msg文件？

我尝试过使用

extract_msg

和

msg_parser

但没有成功。非常感谢您的帮助！

我还使用

chardet.detect

来检测编码，但有时它会出现一些问题，例如

.

到

·

示例代码：

msg = extract_msg.openMsg('test.msg')
msg_obj = MsOxMessage('test.msg')

html = ''
try:
    body_encoding = chardet.detect(msg.htmlBody)['encoding']
    html = msg.htmlBody.decode(body_encoding) if msg.htmlBody else ''
except:
    html = None

Answer 1

请记住，Outlook 创建的 MSG 文件不包含

PR_HTML

MAPI 属性（与本机支持 HTML 的 Outlook 存储中的消息不同）； HTML 在

PR_RTF_COMPRESSED

属性内进行编码，其中包含压缩的 RTF 流 - 使用 OutlookSpy 查看 MSG 文件（我是其作者） - 单击“更多功能 | OpenIMsgOnIStg”。

您可以使用 Outlook 对象模型调用 Namespace.OpenSharedItem，然后读取 MailItem.HTMLBody 属性，但 Outlook 对象模型不能在服务（例如 IIS）中使用，并且将在默认存储中创建临时消息，这意味着 Outlook 需要先登录到配置文件。

如果使用 Redemption 是一个选项（我是它的作者 - 它是一个扩展 MAPI 包装器，可以从任何语言的服务中使用），您可以使用 RDOSession.

GetMessageFromMsgFile

，然后阅读 RDOMail .

HTMLBody

财产。

Answer 2

我和你有同样的要求，Pratik，所以我写了一个包来完成这个任务：rtfparse。

或者，您可以使用稍微粗糙的方法 extract-msg ，但是对于 HTML 解封装，他们使用 RTFDE ，它试图盲目地剥离 HTML 周围的所有 RTF 语法，而不实际解析 RTF 文档结构，所以它只是和它使用的剥离算法一样好。在某些情况下，它会在生成的 HTML 文档中留下一些痕迹。 （我已经测试过它，它对于我的用例来说不够好）。