python - Python 电子邮件包:如何可靠地将多部分消息转换/解码为 str
问题描述
我试图用 Python 处理旧的、可能不合规的电子邮件。我可以毫无问题地阅读消息:
In [1]: m=email.message_from_binary_file(open('/path/to/problematic:2,S',mode='rb'))
但随后将其转换为字符串给出了 UnicodeEncodeError: 'gb2312' codec can't encode character '\ufffd' in position 1238: 非法多字节序列。此有问题的消息的(多)部分具有“Content-Type: text/plain; charset="gb2312" 和“Content-Transfer-Encoding: 8bit”。
In [2]: m.as_string()
---------------------------------------------------------------------------
UnicodeEncodeError Traceback (most recent call last)
<ipython-input-26-919a3a20e7d8> in <module>()
----> 1 m.as_string()
~/tools/conda/envs/conda3.6/lib/python3.6/email/message.py in as_string(self, unixfrom, maxheaderlen, policy)
156 maxheaderlen=maxheaderlen,
157 policy=policy)
--> 158 g.flatten(self, unixfrom=unixfrom)
159 return fp.getvalue()
160
~/tools/conda/envs/conda3.6/lib/python3.6/email/generator.py in flatten(self, msg, unixfrom, linesep)
114 ufrom = 'From nobody ' + time.ctime(time.time())
115 self.write(ufrom + self._NL)
--> 116 self._write(msg)
117 finally:
118 self.policy = old_gen_policy
~/tools/conda/envs/conda3.6/lib/python3.6/email/generator.py in _write(self, msg)
179 self._munge_cte = None
180 self._fp = sfp = self._new_buffer()
--> 181 self._dispatch(msg)
182 finally:
183 self._fp = oldfp
~/tools/conda/envs/conda3.6/lib/python3.6/email/generator.py in _dispatch(self, msg)
212 if meth is None:
213 meth = self._writeBody
--> 214 meth(msg)
215
216 #
~/tools/conda/envs/conda3.6/lib/python3.6/email/generator.py in _handle_multipart(self, msg)
270 s = self._new_buffer()
271 g = self.clone(s)
--> 272 g.flatten(part, unixfrom=False, linesep=self._NL)
273 msgtexts.append(s.getvalue())
274 # BAW: What about boundaries that are wrapped in double-quotes?
~/tools/conda/envs/conda3.6/lib/python3.6/email/generator.py in flatten(self, msg, unixfrom, linesep)
114 ufrom = 'From nobody ' + time.ctime(time.time())
115 self.write(ufrom + self._NL)
--> 116 self._write(msg)
117 finally:
118 self.policy = old_gen_policy
~/tools/conda/envs/conda3.6/lib/python3.6/email/generator.py in _write(self, msg)
179 self._munge_cte = None
180 self._fp = sfp = self._new_buffer()
--> 181 self._dispatch(msg)
182 finally:
183 self._fp = oldfp
~/tools/conda/envs/conda3.6/lib/python3.6/email/generator.py in _dispatch(self, msg)
212 if meth is None:
213 meth = self._writeBody
--> 214 meth(msg)
215
216 #
~/tools/conda/envs/conda3.6/lib/python3.6/email/generator.py in _handle_text(self, msg)
241 msg = deepcopy(msg)
242 del msg['content-transfer-encoding']
--> 243 msg.set_payload(payload, charset)
244 payload = msg.get_payload()
245 self._munge_cte = (msg['content-transfer-encoding'],
~/tools/conda/envs/conda3.6/lib/python3.6/email/message.py in set_payload(self, payload, charset)
313 if not isinstance(charset, Charset):
314 charset = Charset(charset)
--> 315 payload = payload.encode(charset.output_charset)
316 if hasattr(payload, 'decode'):
317 self._payload = payload.decode('ascii', 'surrogateescape')
UnicodeEncodeError: 'gb2312' codec can't encode character '\ufffd' in position 1238: illegal multibyte sequence
我对电子邮件内部结构的特性并不十分熟悉,在网上搜索这类错误大多是在抓取网页时出现的问题,并且基本上暗示了一些显而易见的问题:读入的原始字节包含不可能的 Unicode 字符使用目标编解码器进行编码。
我的问题是:可靠处理(可能不合规)电子邮件的正确方法是什么?
编辑
有趣的是,它m.get_payload(i=0).as_string()
会触发相同的异常,但m.get_payload(i=0).get_payload(decode=False)
给出了str
在我的终端上正确显示的一个,而m.get_payload(i=0).get_payload(decode=True)
给出了一个我无法解码的bytes
( )。b'\xd7\xaa...'
但是,错误发生在不同的字符上:
----> 1 m.get_payload(i=0).get_payload(decode=True).decode('gb2312')
UnicodeDecodeError: 'gb2312' codec can't decode byte 0xac in position 1995: illegal multibyte sequence
或者
----> 1 m.get_payload(i=0).get_payload(decode=True).decode('gb18030')
UnicodeDecodeError: 'gb18030' codec can't decode byte 0xa3 in position 2033: illegal multibyte sequence
解决方案
简短的回答通常是调用中的错误处理程序。bytes.decode
但细节取决于很多事情。
首先,您要如何处理数据?通常你需要一些绝对可逆的东西,所以你可以保证在最坏的情况下你可以重新生成你接受的东西,在这种情况下你可能想要surrogate-escape
。在其他情况下,您想要生成人类可读的东西,最好跳过不可能的 mojibake,而不是尝试呈现它,这样ignore
可能是正确的答案。等等。
其次,这是绝大多数消息都很好但少数错误的情况,还是许多消息大部分都很好但有一些错误的情况?
最后,在某些情况下(对于传统的中文编码尤其如此),实际问题只是有人指定了一个密切相关的字符集,而不是他们实际使用的字符集。如果这就是您所看到的,您可能想尝试编写显式后备代码:如果遇到异常,请在常见错误的字典中查找编码并尝试替代编码。如果它们都不起作用,则返回使用带有错误处理程序的特定编码。
推荐阅读
- windows - 将命令组合在一行中时,@echo off 无法正常工作
- html - 盒子阴影动画的奇怪行为
- javascript - 如何在 ExtJS 中为 iframe 设置 ID?
- java - 从 Netbeans 执行 python 脚本并读取输出,在一种情况下失败,但在另一种情况下失败
- python - 是否可以在运行时获取类型参数的类型。列表?
- python-3.x - 将/映射函数应用于熊猫数据框以检索新列
- python - 使用 Python 在 Google Drive 中共享文件
- angular - Angular (6) 和 d3 (v5):组件作为一个 svg 中的子元素,并将 svg 元素传递给每个组件
- c# - 修改实体框架查询以将特定字段带入多级选择
- c++11 - 使用 main 函数将文件编译为特定文件名而不是“a.out”