Python 3.x提取纯文本邮件正文求助：非多部分邮件处理问题

我完全懂你遇到的困扰——之前的方法只覆盖了多部分（multipart）邮件里的text/plain部分，碰到非多部分邮件时，要么拿到带HTML标签的内容，甚至直接输出完整HTML，根本不是想要的纯文本。咱们来调整一下代码，搞定这个问题。

问题根源 #

非多部分邮件的整个消息体就是一个单独的部分，不会进入你原来的for part in msg.walk()循环。而且有些非多部分邮件的内容类型直接是text/html，就算你直接取payload，拿到的也是带标签的HTML代码，自然会出现<br>、<p>这类元素。

改进后的解决方案 #

我们需要：

1. 区分邮件是多部分还是非多部分类型
2. 对text/plain和text/html类型的内容分别处理
3. 用HTML解析工具把HTML内容转成纯文本
4. 处理编码问题避免乱码

先安装必要的依赖（用来解析HTML）：

pip install beautifulsoup4

然后修改你的函数：

import email
from bs4 import BeautifulSoup

def getEmailMsg(mail):
    msg = email.message_from_string(mail)
    body = ""
    
    # 处理多部分邮件：遍历所有部分
    if msg.is_multipart():
        for part in msg.walk():
            content_type = part.get_content_type()
            # 跳过附件和非文本类型的部分
            if content_type not in ['text/plain', 'text/html']:
                continue
            
            # 解码payload，处理编码问题
            payload = part.get_payload(decode=True)
            charset = part.get_content_charset() or 'utf-8'
            try:
                content = payload.decode(charset)
            except UnicodeDecodeError:
                # 编码失败时用utf-8忽略错误兜底
                content = payload.decode('utf-8', errors='ignore')
            
            if content_type == 'text/plain':
                body += content
            else:
                # 把HTML转成纯文本，去掉所有标签
                soup = BeautifulSoup(content, 'html.parser')
                body += soup.get_text()
    else:
        # 处理非多部分邮件：直接处理整个消息体
        content_type = msg.get_content_type()
        payload = msg.get_payload(decode=True)
        charset = msg.get_content_charset() or 'utf-8'
        try:
            content = payload.decode(charset)
        except UnicodeDecodeError:
            content = payload.decode('utf-8', errors='ignore')
        
        if content_type == 'text/plain':
            body = content
        else:
            soup = BeautifulSoup(content, 'html.parser')
            body = soup.get_text()
    
    # 清理多余的空行和首尾空格
    body = '\n'.join([line.strip() for line in body.splitlines() if line.strip()])
    return body

关键改进点说明 #

• 编码处理：加入decode=True和字符集检测，避免出现乱码；还加了Unicode解码错误的兜底方案，增强鲁棒性。
• 非多部分邮件支持：专门判断msg.is_multipart()，如果是单部分邮件直接处理整个消息体，不会漏掉。
• HTML转纯文本：用BeautifulSoup的get_text()方法把HTML内容转换成干净的纯文本，彻底去掉<br>、<p>、<a>这类标签。
• 文本清理：最后一步去掉多余的空行，让提取的正文更整洁。

你可以试试这个函数，不管是多部分还是非多部分邮件，应该都能提取到干净的纯文本正文了。

内容的提问来源于stack exchange，提问作者wutwut