如何使用 bash 或 Perl 重新格式化 mbox 文件中的消息？

Question

我有一个巨大的 mbox 文件，其中可能有 500 封电子邮件。

它看起来如下所示：

From [email protected] Fri Aug 12 09:34:09 2005
Message-ID: <[email protected]>
Date: Fri, 12 Aug 2005 09:34:09 +0900
From: me <[email protected]>
User-Agent: Mozilla Thunderbird 1.0.6 (Windows/20050716)
X-Accept-Language: en-us, en
MIME-Version: 1.0
To: someone <[email protected]>
Subject: Re: (no subject)
References: <[email protected]>
In-Reply-To: <[email protected]>
Content-Type: text/plain; charset=ISO-8859-1; format=flowed
Content-Transfer-Encoding: 8bit
Status: RO
X-Status: 
X-Keywords:                 
X-UID: 371
X-Evolution-Source: imap://[email protected]/
X-Evolution: 00000002-0010

Hey

the actual content of the email

someone wrote:

> lines of quotedtext

我想知道如何删除所有引用的文本，去除除“收件人”、“发件人”和“日期”行之外的大部分标题，并且仍然保持其连续性。

我的目标是能够将这些电子邮件作为书籍格式打印，目前每个程序都希望每页打印一封电子邮件，或所有标题和引用的文本。 对于从哪里开始使用 shell 工具编写小程序有什么建议吗？

Answer 1

Mail::Box::Mbox 将让您轻松地将文件解析为单独的消息。 Mark Overmeer 的 来自 YAPC::Europe 2002 的幻灯片 详细介绍了如下内容为什么解析比看起来要困难得多。 使用这个库还可以处理 mh、IMAP 和许多其他格式，而不仅仅是 mbox。

    #!/usr/bin/perl
    use warnings;
    use strict;
    use Mail::Box::Manager;

    my $file = shift || $ENV{MAIL};
    my $mgr = Mail::Box::Manager->new(
        access      => 'r',
    );

    my $folder = $mgr->open( folder => $file )
    or die "$file: Unable to open: $!\n";

    for my $msg ($folder->messages)
    {
        my $to      = join( ', ', map { $_->format } $msg->to );
        my $from    = join( ', ', map { $_->format } $msg->from );
        my $date    = localtime( $msg->timestamp );
        my $subject = $msg->subject;
        my $body    = $msg->body;

        # Strip all quoted text
        $body =~ s/^>.*$//msg;

        print <<"";
    From: $from
    To: $to
    Date: $date
    $body

    }

您可能需要重新考虑删除引用文本的请求 - 如果您的电子邮件格式为交错回复怎么办？ 删除引用的文本会使此类电子邮件非常难以理解：

  Foo wrote:
  > I like bar.

  Bar?  Who likes bar?

  > It is better than baz.

  Everyone knows that.

  -- 
  Quux

此外，您打算如何处理附件、非文本/纯 MIME 类型、编码文本实体和其他奇怪的内容？

Answer 2

首先，我可能会使用“formail”来提取仅包含您想要的标题的邮件。 或者，或者使用 awk 中的某种状态表来查看您是否在标头中，如果您在标头中，则删除除所需标头之外的所有内容，如果不在标头中，则删除引号。

Answer 3

使用 shell 工具可能不是最好的答案，因为有许多语言的许多库可以处理 mbox，无论是 Ruby、Perl 还是其他语言。 您还必须考虑引用字符并不总是“>”，这可能会破坏您的取消引用过程。 至于提取你想要的标题，这对于任何语言来说都不应该是困难的。 我知道这是一个笼统的答案，也许不够具体......