使用Python查找电子邮件正文中的链接

Question

我目前正在开发一个Python项目，该项目将连接到电子邮件服务器并查看最新的电子邮件，以告知用户电子邮件中是否嵌入了附件或链接。我有前者而不是后者。

我可能在我的脚本的if any（）部分遇到麻烦。因为我测试的时候似乎有一半工作。虽然可能是由于电子邮件字符串的打印方式？

这是我的代码，用于连接到gmail，然后查找链接。

import imaplib
import email

word = ["http://", "https://", "www.", ".com", ".co.uk"] #list of strings to search for in email body

#connection to the email server
mail = imaplib.IMAP4_SSL('imap.gmail.com')
mail.login('[email protected]', 'password')
mail.list()
# Out: list of "folders" aka labels in gmail.
mail.select("Inbox", readonly=True) # connect to inbox.

result, data = mail.uid('search', None, "ALL") # search and return uids instead

ids = data[0] # data is a list.
id_list = ids.split() # ids is a space separated string
latest_email_uid = data[0].split()[-1]

result, data = mail.uid('fetch', latest_email_uid, '(RFC822)') # fetch the email headers and body (RFC822) for the given ID


raw_email = data[0][1] # here's the body, which is raw headers and html and body of the whole email
# including headers and alternate payloads

print "---------------------------------------------------------"
print "Are there links in the email?"
print "---------------------------------------------------------"

msg = email.message_from_string(raw_email)
for part in msg.walk():
    # each part is a either non-multipart, or another multipart message
    # that contains further parts... Message is organized like a tree
    if part.get_content_type() == 'text/plain':
        plain_text = part.get_payload()
        print plain_text # prints the raw text
        if any(word in plain_text for word in word):
            print '****'
            print 'found link in email body'
            print '****'
        else:
            print '****'
            print 'no link in email body'
            print '****'

所以基本上你可以看到我有一个名为'Word'的变量，其中包含要在纯文本电子邮件中搜索的关键字数组。

当我发送带有“http：//”或“https：//”格式的嵌入式链接的测试电子邮件时，电子邮件会打印出电子邮件正文，其中包含文本中的链接，如下所示 -

---------------------------------------------------------
Are there links in the email?
---------------------------------------------------------
Test Link <http://www.google.com/>


****
found link in email body
****

我得到了我的打印消息，说“在电子邮件正文中找到了链接” - 这是我在测试阶段寻找的结果，但这将导致在最终程序中发生的其他事情。

然而，如果我在电子邮件中添加一个没有http：//的嵌入式链接，例如google.com，那么即使我有嵌入式链接，链接也不会打印出来并且我没有得到结果。

是否有一个原因？我也怀疑也许我的if if（）循环并不是最好的。我最初添加它时并没有真正理解它，但它适用于http：//链接。然后我尝试了一个.com并得到了我的问题，我找不到解决方案。

Answer 1

要检查是否有电子邮件的附件，您可以在标题中搜索Content-Type，看看它是否显示为"multipart/*"。具有多部分内容类型的电子邮件可能包含附件。

要检查链接，图像等文本，您可以尝试使用Regular Expressions。事实上，在我看来，这可能是你最好的选择。使用正则表达式（或正则表达式），您可以找到与给定模式匹配的字符串。例如，模式"<a[^>]+href=\"(.*?)\"[^>]*>(.*)?</a>"应匹配电子邮件中的所有链接，无论它们是单个单词还是完整URL。我希望有所帮助！以下是如何在Python中实现此功能的示例：

import re

text = "This is your e-mail body. It contains a link to <a 
href='http//www.google.com'>Google</a>."

link_pattern = re.compile('<a[^>]+href=\'(.*?)\'[^>]*>(.*)?</a>')
search = link_pattern.search(text)
if search is not None:
    print("Link found! -> " + search.group(0))
else:
    print("No links were found.")

对于“最终用户”，链接将显示为“Google”，没有www和更少的http ... s ...但是，源代码将包含html，因此通过检查消息的原始主体你可以找到所有链接。

我的代码并不完美，但我希望它能为您提供一个大方向...您可以在电子邮件正文中查找多个模式，图像出现，视频等。要学习正则表达式，您需要进行研究一点点，这是另一个link, to Wikipedia