HTML邮件正文提取文本的处理方法-html教程-PHP中文网

最稳方案是 get_body() + textContent：get_body() 自动选 plain/html 并解码，textContent 提取文本但不解码实体，需额外 html.unescape()；占位符替换必须在 HTML 解析前完成。

html邮件正文提取文本的处理方法

直接用 textContent 或正则删标签，90% 的 HTML 邮件正文会提取失败——不是漏掉换行语义，就是解码错 HTML 实体，或被嵌套 <script></script>、干扰。

为什么 get_body() + textContent 组合最稳

现代邮件多为 multipart/alternative，正文可能同时含 text/plain 和 text/html 两部分。直接调用 get_payload() 容易返回嵌套 Message 对象，而非字符串；而 get_body(preferencelist=('plain', 'html')) 会按 MIME 规范自动选首选类型，并返回已解码的 EmailMessage 对象，再对其调用 get_content() 就是干净字符串。

必须用 email.message_from_bytes()，不能用 message_from_string() —— IMAP 返回的是字节流，后者会误判编码
get_body() 在 Python 3.3+ 才可用，老版本需手动遍历 walk() 并判断 get_content_type()
若邮件含 base64 编码的 HTML（常见于 Outlook 发送），get_body() 会自动解码，无需额外处理

HTML 字符串转文本：DOMParser 是底线

对已拿到的原始 HTML 字符串（比如从 MongoDB 模板渲染后、或从邮件 text/html part 提取出来），别用正则去 strip 标签——

Hello

和

Hello

											
												
												
													DeepBI DHTML 页面生成器
													生成可在 deepbi 沙箱 iframe 内运行或作为独立文件运行的交互式 HTML 页面，使用 `window.deepbi` JS SDK 实现数据查询、空间管理、文件浏览及用户操作。当用户提出以下需求时启用该能力：

- 创建 KPI 仪表盘、数据表格、文件浏览器、成员列表、管理页面；  
- 明确要求“转成 dhtml”、“转译成 HTML”、“把 XX 页面转成……”、“控制台页面”、“管理后台”、“DeepBI 页面迁移”；  
- 提及位于 `apps/console/src/featur
												
												下载

结构差异会让正则失效。

浏览器环境：用 new DOMParser().parseFromString(html, 'text/html')，再取 doc.body?.textContent || ''
Node.js 环境：用 cheerio.load(html)，然后 $('body').text()；避免 jsdom（启动慢、内存高）

占位符替换必须在 HTML 解析前完成

模板里类似 @Payment - Amount to Pay 这种占位符，如果等 DOM 解析后再替换，就可能落在 <script></script> 或块里，导致脚本执行异常或样式错乱。

替换必须在 HTML 字符串层面进行，用 Object.entries(replacements).forEach(...) + String.replace()，不要进 DOM 树
占位符中若含正则特殊字符（如 .、(、)），必须用 RegExp 构造函数并 escape，否则 @User.Name 会被误匹配成 @User[any_char]Name
替换完再做 HTML 解析，顺序错了就会污染结构