如何正确提取IMAP邮件中的纯文本内容（兼容HTML与纯文本邮件）-Python教程-PHP中文网

如何正确提取IMAP邮件中的纯文本内容（兼容HTML与纯文本邮件）

imap_tools的email.text仅返回纯文本部分，当邮件仅有HTML正文时会为空；需主动解析HTML正文并提取可读文本，或同时检查email.text和email.html字段，用BeautifulSoup等库安全转换HTML为文本。

imap_tools的email.text仅返回纯文本部分，当邮件仅有html正文时会为空；需主动解析html正文并提取可读文本，或同时检查email.text和email.html字段，用beautifulsoup等库安全转换html为文本。

在使用 imap_tools 自动处理账单类邮件时，常见痛点是：部分企业发送的邮件仅含 HTML 正文（无纯文本 text/plain 部分），导致 email.text 返回空字符串；而手动转发后 Gmail 会自动生成兼容性更好的多部分邮件（含 text/plain 子部分），因此 email.text 突然“可用”。这并非 imap_tools 的缺陷，而是遵循 RFC 5322 的标准行为——邮件可包含 text/plain、text/html、multipart/alternative 等多种格式，客户端仅按需渲染，而 imap_tools.text 严格只提取 text/plain 载荷。

✅ 正确做法：优先尝试 email.text，若为空，则解析 email.html 提取语义化文本

以下为增强版邮件正文提取函数（含错误处理与 HTML 清洗）：

anything-to-html

将调研报告、方案对比、数据分析、需求梳理、会议纪要、设计说明、代码评审、学习笔记等任务产物输出为可在浏览器直接打开的单文件 HTML，替代 Markdown 作为最终交付物。Markdown 在信息密度、视觉清晰度和可分享性上已跟不上 AI 产物的丰富度，HTML 能同时承载排版、表格、SVG 等。

下载

from bs4 import BeautifulSoup
import re

def extract_email_text(email_obj):
    """
    安全提取邮件正文文本：优先 text/plain，回退至 text/html（经清洗）
    """
    # 1. 尝试直接获取纯文本
    if email_obj.text and email_obj.text.strip():
        return email_obj.text.strip()

    # 2. 若无纯文本，解析 HTML 正文
    if email_obj.html:
        try:
            soup = BeautifulSoup(email_obj.html, 'html.parser')
            # 移除 script/style 标签及注释
            for tag in soup(['script', 'style', 'nav', 'header', 'footer']):
                tag.decompose()
            # 提取可见文本，合并空白，去除多余换行
            text = soup.get_text()
            text = re.sub(r'\n\s*\n+', '\n\n', text)  # 规范段落间距
            text = re.sub(r'[ \t]+', ' ', text).strip()
            return text if text else ""
        except Exception as e:
            print(f"HTML 解析失败: {e}")
            return ""

    # 3. 最终兜底：尝试所有可用 parts（适用于 multipart/mixed 邮件）
    for part in email_obj.parts:
        if part.content_type == 'text/plain' and part.text:
            return part.text.strip()
        if part.content_type == 'text/html' and part.html:
            try:
                soup = BeautifulSoup(part.html, 'html.parser')
                return soup.get_text().strip()
            except:
                continue

    return ""

# 使用示例
emails = get_emails_from_folder('Billings')
for email in emails:
    full_text = extract_email_text(email)
    if full_text:
        print(f"主题: {email.subject}")
        print(f"正文前200字: {full_text[:200]}...")
    else:
        print(f"⚠️ 无法提取文本: {email.subject}")

? 关键注意事项：

不要依赖 Gmail 自动转发作为解决方案：它不可靠（可能被过滤、延迟）、违反隐私策略，且无法规模化；Gmail 的“自动转发”功能本质是重新发送副本（resend），而非 IMAP 层面的透明转发，且需开启 POP/IMAP 并配置转发地址，存在安全与合规风险。
email.text 为空 ≠ 邮件损坏：这是正常现象，尤其来自企业 SaaS 系统（如 Stripe、AWS、SAP）的账单邮件常仅提供 HTML 版本。
避免简单 .replace() 或正则清洗 HTML：HTML 结构复杂（嵌套表格、CSS 隐藏文本、JavaScript 渲染内容），务必使用 BeautifulSoup 等专业解析器。
性能提示：对大量邮件批量处理时，可缓存 BeautifulSoup 实例或启用 lxml 解析器提升速度（pip install lxml）。