python - Python3电子邮件模块中的解码不正确

Question

我最近遇到了一个我想用 Python 电子邮件模块解析的 EML 文件。在from标题中，有以下文字：

From: "=?utf-8?b?5b2t5Lul5Zu9L+esrOS6jOS6i+S4mumDqOmhueebrumDqC/nrKzkuozkuovkuJrp?=
=?utf-8?b?g6g=?=" <[e-mail]>

所以名称被编码为两部分。当我连接代码并将其手动解码为十六进制时，我得到以下结果，这是正确的 UTF-8 字符串：

e5 bd ad e4 bb a5 e5 9b bd 2f e7 ac ac e4 ba 8c e4 ba 8b e4 b8 9a e9 83 a8 e9 a1 b9 e7 9b ae e9 83 a8 2f e7 ac ac e4 ba 8c e4 ba 8b e4 b8 9a e9 83 a8

但是，当我调用 Python 电子邮件 Parserparse时，最后 3 个字节未正确解码。相反，当我读取 的值时message['from']，有代理项：

dce9:20:dc83:dca8

因此，例如，当我想要打印字符串时，它会以

UnicodeEncodeError('utf-8', '彭以国/第二事业部项目部/第二事业\udce9\udc83\udca8', 17, 18, 'surrogates not allowed')

当我将From标头中的 2 个编码部分合二为一时，如下所示：

From: "=?utf-8?b?5b2t5Lul5Zu9L+esrOS6jOS6i+S4mumDqOmhueebrumDqC/nrKzkuozkuovkuJrpg6g=?=" <[e-mail]>

该字符串由库正确解码，可以很好地打印。

这是 Python 电子邮件模块中的错误吗？EML标准是否允许双重编码值？

这是一个示例 EML 文件 + Python 代码，用于重现错误解码（这实际上不会触发异常，稍后会发生这种情况，即 SQLAlchemy 无法将字符串编码回 UTF-8）

EML：

Content-Type: multipart/mixed; boundary="===============2193163039290138103=="
MIME-Version: 1.0
Date: Wed, 25 Aug 2018 19:21:23 +0100
From: "=?utf-8?b?5b2t5Lul5Zu9L+esrOS6jOS6i+S4mumDqOmhueebrumDqC/nrKzkuozkuovkuJrp?=
 =?utf-8?b?g6g=?=" <[e-mail]>
Message-Id: <[e-mail]>
Subject: Sample subject
To: [e-mail]

--===============2193163039290138103==
MIME-Version: 1.0
Content-Type: text/plain; charset="utf-8"
Content-Transfer-Encoding: base64

VGhpcyBpcyBhIHNhbXBsZSB0ZXh0

--===============2193163039290138103==--

Python代码：

from email.parser import Parser
from email import policy
from sys import argv


with open(argv[1], 'r', encoding='utf-8') as eml_file:
    msg = Parser(policy=policy.default).parse(eml_file)

print(msg['from'])

结果：

彭以国/第二事业部项目部/第二事业部 ��

标签： pythonpython-3.xemailutf-8rfc5322

Answer 1

这似乎是email.parser基础架构如何处理包含 From 标头和其他结构化标头的编码字标记的多行标头的展开的问题。它对非结构化标题正确执行此操作，例如Subject.

您的标题有两个编码的单词部分，在两个单独的行上。这是完全正常的，编码字标记的空间有限（有最大长度限制），因此您的 UTF-8 数据被分成两个这样的字，并且中间有一个行分隔符和空格。一切都很好。无论生成什么电子邮件，在 UTF-8 字符中间拆分都是错误的（RFC2047 规定这是严格禁止的），此类数据的解码器不应在解码的字节之间插入空格。正是额外的空间阻止了email标头处理加入代理和修复数据。

因此，这似乎是处理结构化标题时解析标题的方式的错误；解析器没有正确处理编码单词之间的空格，这里的空格是由折叠的标题行引入的。这会导致在两个编码字部分之间保留空间，从而阻止正确解码。因此，虽然 RFC2047 确实规定编码字部分必须包含整个字符（多字节编码不得拆分），但它还规定编码字可以用 CRLF SPACE 分隔符拆分，并且编码字之间的任何空格都将被忽略.

Policy.header_fetch_parse()您可以通过提供自定义策略类来解决此问题，该类会在您自己的方法实现中从行中删除前导空格。

import re
from email.policy import EmailPolicy

class UnfoldingEncodedStringHeaderPolicy(EmailPolicy):
    def header_fetch_parse(self, name, value):
        # remove any leading white space from header lines
        # that separates apparent encoded-word tokens before further processing 
        # using somewhat crude CRLF-FWS-between-encoded-word matching
        value = re.sub(r'(?<=\?=)((?:\r\n|[\r\n])[\t ]+)(?==\?)', '', value)
        return super().header_fetch_parse(name, value)

并在加载时将其用作您的策略：

custom_policy = UnfoldingEncodedStringHeaderPolicy()

with open(argv[1], 'r', encoding='utf-8') as eml_file:
    msg = Parser(policy=custom_policy).parse(eml_file)

演示：

>>> from io import StringIO
>>> from email.parser import Parser
>>> from email.policy import default as default_policy
>>> custom_policy = UnfoldingEncodedStringHeaderPolicy()
>>> Parser(policy=default_policy).parse(StringIO(data))['from']
'彭以国/第二事业部项目部/第二事业� �� <[e-mail]>'
>>> Parser(policy=custom_policy).parse(StringIO(data))['from']
'彭以国/第二事业部项目部/第二事业部 <[e-mail]>'

我提交了Python 问题 #35547来跟踪它。