如何正确提取电子邮件正文文本（纯文本或HTML）-Python教程-PHP中文网

如何正确提取电子邮件正文文本（纯文本或HTML）

本文详解如何使用 Python 的 email 模块安全、准确地提取 IMAP 收取邮件的正文内容，重点解决 get_payload() 返回嵌套对象而非可读字符串的问题，并推荐现代写法（message_from_bytes + get_body）。

本文详解如何使用 python 的 `email` 模块安全、准确地提取 imap 收取邮件的正文内容，重点解决 `get_payload()` 返回嵌套对象而非可读字符串的问题，并推荐现代写法（`message_from_bytes` + `get_body`）。

在通过 IMAP 协议（如 imaplib）获取邮件后，许多开发者会误用 email.message_from_string() 处理原始字节流，或直接调用 get_payload() 而未考虑 MIME 结构，导致返回 Message 对象列表而非实际文本。根本原因在于：现代邮件多为 multipart（如 multipart/alternative），正文可能包含纯文本（text/plain）、HTML（text/html）甚至嵌套附件部分，需按标准 MIME 规则解析。

✅ 推荐做法：使用 message_from_bytes + get_body()

Python 3.3+ 引入了更健壮的 email.policy 机制，默认启用 EmailMessage 类（取代老旧的 Message），其 get_body() 方法可智能定位首选正文部分：

import imaplib
import email
from email.policy import default

def read_email_body(username: str, password: str, sender_of_interest: str = None) -> list:
    imap = imaplib.IMAP4_SSL("imap.mail.com", 993)
    imap.login(username, password)
    imap.select('INBOX')

    # 搜索未读邮件
    search_criteria = ['UNSEEN']
    if sender_of_interest:
        search_criteria.extend(['FROM', sender_of_interest])
    status, response = imap.uid('SEARCH', None, *search_criteria)

    if status != 'OK':
        return []

    msg_ids = response[0].split()
    results = []

    for e_id in msg_ids:
        # 直接 fetch RFC822 原始字节（非字符串！）
        _, response = imap.uid('FETCH', e_id, '(RFC822)')
        raw_email_bytes = response[0][1]  # type: bytes

        # 使用 message_from_bytes + policy=default 解析
        msg = email.message_from_bytes(raw_email_bytes, policy=default)

        # 获取首选正文：优先 HTML，其次 text/plain
        body_part = msg.get_body(preferencelist=('html', 'text'))
        body_text = body_part.get_content() if body_part else ''

        results.append({
            'from': email.utils.parseaddr(msg.get('From', '')),
            'to': msg.get('To', ''),
            'subject': msg.get('Subject', ''),
            'body': body_text.strip()
        })

    imap.logout()
    return results

⚠️ 关键注意事项

绝不要对原始响应字节调用 .decode('utf-8') 后再用 message_from_string()：IMAP 返回的 RFC822 内容是二进制流，可能含非 UTF-8 编码（如 ISO-8859-1 或 base64 编码的 payload），强制解码会引发 UnicodeDecodeError 或损坏数据。
get_body() 的 preferencelist 参数决定内容优先级：('html', 'text') 表示先找 text/html，找不到则回退到 text/plain；若只需纯文本，可设为 ('text',)。
处理异常结构：若 get_body() 返回 None（如邮件仅有附件无正文）或返回 multipart/alternative（罕见但可能），需手动遍历 msg.iter_parts() 并检查 part.get_content_maintype() 和 part.get_content_subtype()。
编码兼容性：get_content() 内部已自动处理 Content-Transfer-Encoding（如 base64, quoted-printable），无需额外调用 base64.b64decode()。

? 验证与调试技巧

若仍遇到空正文，可在解析后添加诊断逻辑：

htmlppt.skill

把任意文章或文档内容转换成精美的全屏翻页 HTML 演示文件（幻灯片风格）。当用户发来一篇文章、文档链接、Markdown 内容、或粘贴的文本，并且希望生成演示用的 HTML 时触发。支持任意内容来源：iWiki 链接、KM 链接、本地文件路径、直接粘贴的文本。生成的 HTML 文件保存到本地工作区，并通过企微直接发送给用户。触发词示例：帮我把这篇文章做成PPT、转成演示文档、生成HTML幻灯片、做个演示、转成可以演示的格式、article to deck、make a slide。

下载

# 调试：打印邮件结构概览
print(f"Content-Type: {msg.get_content_type()}")
print(f"Is multipart: {msg.is_multipart()}")
if msg.is_multipart():
    for i, part in enumerate(msg.iter_parts()):
        print(f"  Part {i}: {part.get_content_type()} | "
              f"Encoding: {part.get('Content-Transfer-Encoding', 'n/a')}")