使用Python imaplib库解析邮件出现编码乱码、字符截断等异常问题

异常原因 #

三类异常均由编码解析流程缺失导致：

• =E2=80=99、行尾=是未解码quoted-printable传输编码的特征，原始邮件传输时会用该编码对非ASCII字符、超长行做转义，直接读取未解码的payload就会出现这类符号
• 顶部多余的||、---是因为邮件为multipart多部分结构，未筛选正文就直接提取整个payload，多余的结构内容、HTML表格/分隔线被html2text转成了markdown格式符号

修复后代码 #

import email
import html2text

# 原有邮件拉取逻辑不变
data = self.mail_conn.fetch(str(any_email_id), f'({fetch_protocol})')
raw_email = data[1][0][1]
mail_body = email.message_from_bytes(raw_email)

# 提取HTML正文，兼容多部件邮件
html_content = ""
if mail_body.is_multipart():
    for part in mail_body.walk():
        if part.get_content_type() == "text/html":
            # 自动解码传输编码
            payload = part.get_payload(decode=True)
            # 按邮件声明的编码转字符串，无声明则用utf-8兜底
            charset = part.get_content_charset() or "utf-8"
            html_content = payload.decode(charset, errors="ignore")
            break
else:
    # 单部件邮件直接解码
    payload = mail_body.get_payload(decode=True)
    charset = mail_body.get_content_charset() or "utf-8"
    html_content = payload.decode(charset, errors="ignore")

# 配置html2text过滤冗余格式
h = html2text.HTML2Text()
h.ignore_tables = True # 忽略表格转换，避免生成多余|、---符号
h.body_width = 0 # 取消自动换行，避免强行截断单词
x1 = h.handle(html_content)

核心修改说明 #

• 调用get_payload(decode=True)自动处理传输编码，直接解决=开头的乱码、行尾截断问题
• 增加多部件邮件遍历逻辑，仅提取text/html类型的正文内容，避免混入附件、邮件头其他冗余内容
• 配置html2text参数，关闭自动换行、忽略表格转换，消除多余的markdown格式符号

内容的提问来源于stack exchange，提问作者ohadshay