Apache Camel路由读取.msg邮件文件时遇无效字符求助

嘿，我完全懂你现在的困扰——直接把.msg文件的Body转成String肯定会出现乱码或者莫名其妙的无效字符，因为.msg是Outlook专属的二进制邮件格式，可不是纯文本文件，直接硬转字符串就相当于把一堆二进制字节强行套成文本，不出问题才怪呢！

问题根源 #

你的Camel路由里用exchange.getIn().getBody(String.class)直接读取.msg内容，这完全搞错了处理逻辑。.msg文件里封装了邮件的所有结构（正文、附件、元数据等），必须用专门的解析库才能正确提取出可读的邮件正文。

解决方案：用Apache POI HSMF解析.msg文件 #

我推荐用Apache POI的HSMF模块（专门处理Outlook .msg文件）来搞定，步骤如下：

1. 引入依赖
   先在项目里添加Apache POI Scratchpad的依赖（Maven为例）：

   <dependency>
       <groupId>org.apache.poi</groupId>
       <artifactId>poi-scratchpad</artifactId>
       <version>5.2.5</version> <!-- 建议用最新稳定版 -->
   </dependency>
   

2. 修改Camel Processor代码
   把原来直接转String的逻辑改成用HSMF解析输入流：

   @Override
   public void configure() throws Exception {
       from(SOURCE_PATH)
           .process(new Processor() {
               @Override
               public void process(Exchange exchange) throws Exception {
                   final EmailResponseModel erm = new EmailResponseModel();
                   
                   // 获取.msg文件的输入流（别直接转String！）
                   InputStream msgInputStream = exchange.getIn().getBody(InputStream.class);
                   if (msgInputStream != null) {
                       try (MAPIMessage msg = new MAPIMessage(msgInputStream)) {
                           // 获取纯文本正文，如果需要HTML正文可以用getHtmlBody()
                           String rawContent = msg.getTextBody();
                           // 处理编码转换，避免乱码
                           String emailContent = rawContent != null 
                               ? new String(rawContent.getBytes("ISO-8859-1"), "UTF-8") 
                               : "";
                           erm.setEmail(emailContent);
                       } catch (IOException e) {
                           throw new RuntimeException("解析.msg文件失败", e);
                       }
                   }
                   
                   exchange.getIn().setBody(erm, DBObject.class);
                   // 其他业务逻辑...
               }
           });
   }
   

3. 处理RTF格式的正文
   如果你的.msg邮件正文是RTF格式的，上面的getTextBody()可能会返回带RTF标记的内容，这时候可以用Apache Tika来自动提取纯文本：

   • 先添加Tika依赖：

     <dependency>
         <groupId>org.apache.tika</groupId>
         <artifactId>tika-core</artifactId>
         <version>2.9.1</version>
     </dependency>
     <dependency>
         <groupId>org.apache.tika</groupId>
         <artifactId>tika-parsers-standard-package</artifactId>
         <version>2.9.1</version>
     </dependency>
     

   • 修改解析逻辑：

     Tika tika = new Tika();
     String emailContent = tika.parseToString(msgInputStream);
     erm.setEmail(emailContent);
     

额外提示 #

• 记得用try-with-resources语法自动关闭输入流，避免资源泄漏
• 如果还是有乱码，可以试试换成Windows-1252编码（Outlook常用的编码）
• 要是需要处理附件，HSMF也能帮你提取附件内容，按需扩展就行

内容的提问来源于stack exchange，提问作者Shamim Ahmad