再用python写一个文本处理的东东
朋友遇到一点麻烦,我自告奋勇帮忙。事情是这样的:
- 他们的业务系统中,数据来自一个邮箱;
- 每一个邮件包含一条记录;
- 这些记录是纯文本的,字段之间由一些特殊字符分隔;
- 他们需要从邮箱中批量取出每一封邮件,放到一个excel文件中。
这些对python来说,真是小菜一碟。(事后证明,还是有些小坑,让我头疼了好一会儿。)
因为是初学者,没有必要从python2起步,我直接用了python3。
首先是收信。邮箱不支持pop3取信,好在支持IMAP。查了一下,python3有专门的库可以做到。
然后是要用正则表达式处理文本。
生成excel需要用到什么什么第三方库,找了一下,没下下来。干脆就简单点,生成csv文件吧。
==============
- def main():
- M = imaplib.IMAP4_SSL("my-host.com","993")
- t=0
- try:
- try:
- M.login('my-username','my-password')
- except Exception as e:
- print('login error: %s' % e)
- M.close()
- M.select('INBOX',False)
- # result, message = M.select()
- # tips: 如果想找Essh邮件的话,使用
- # type, data = M.search(None, '(SUBJECT "Essh")')
- # 里面要用一个括号,代表是一个查询条件,可以同时指定多个查询条件,例如FROM xxxx SUBJECT "aaa",
- # 注意,命令要用括号罩住(痛苦的尝试)
- typ, data = M.search(None, 'ALL')
- msgList = data[0].split()
- print("total mails:" + str(len(msgList)))
- last = msgList[len(msgList) - 1]
- # first = msgList[0]
- # M.store(first, '-FLAGS', '(\Seen)')
- # M.store("1:*", '+FLAGS', '\\Deleted') #Flag all Trash as Deleted
- output=PATH+'\output.csv'
- fp2=open(output, 'w')
- last_id=read_config()
- count=0
- for idx in range(int(last_id), len(msgList)):
- print("curr id: "+str(idx)+'\n')
- type,data=M.fetch(msgList[idx],'(RFC822)')
- deal_mail(data, fp2)
- count=count+1
- if count>500:
- break
- write_config(idx)
- # print(str(idx))
- print("OK!")
- M.logout()
- except Exception as e:
- print('imap error: %s' % e)
- M.close()
这是main()部分。主要是连接IMAP服务器、取信、调用处理函数。
我发现,IMAP提供的接口比较怪异。不管怎么说,没怎么掉坑,网上的资料都很齐全。关于搜索的语法以及删除和置为已读/未读的命令都放在注释里。
这里面的逻辑是:首先获取上次处理的序号last_id,从此处开始,处理500条信件。然后将新的last_id写入配置文件中,下次读取。
在写这个程序的时候,遇到的最多的麻烦是关于str和bytes类型的。因为网上许多代码都是来自python2,所以在python3中就遇到多次提示:
这个错:
content=content.replace(',', ',')
error: a bytes-like object is required, not 'str'
这个也错:
content=content.replace(',', bytes(','))
error: string argument without an encoding
最终这个才对了:
content=content.replace(bytearray(',','GBK'), ','.encode('GBK'))
可是当我继续要把半角双引号变成全角双引号时,情况又不一样:
- matchObj = re.match( r'.*<body>(.*)</body>.*', content.decode('GBK'), re.M|re.I|re.S)
- if matchObj:
- found=matchObj.group(1) #邮件正文
- aa=found.split('#$') #分解为一个个field
- aa[9]=aa[9].replace('"', '“') #我靠前面的写法用不着了! content=content.replace(bytearray(',','GBK'), ','.encode('GBK'))
我汗。。。总之肯定里面有什么东西还不大明白,导致走了许多弯路。记录下来,利已助人吧。
以下是全部源码
- #-*- coding:UTF-8 -*-
- import imaplib, string, email
- import os
- import re
- CONFIG_FILE='last_id.txt'
- PATH=os.path.split(os.path.realpath(__file__))[0]
- def main():
- M = imaplib.IMAP4_SSL("my-host.com","993")
- t=0
- try:
- try:
- M.login('my-username','my-password')
- except Exception as e:
- print('login error: %s' % e)
- M.close()
- M.select('INBOX',False)
- # result, message = M.select()
- # tips: 如果想找Essh邮件的话,使用
- # type, data = M.search(None, '(SUBJECT "Essh")')
- # 里面要用一个括号,代表是一个查询条件,可以同时指定多个查询条件,例如FROM xxxx SUBJECT "aaa",
- # 注意,命令要用括号罩住(痛苦的尝试)
- typ, data = M.search(None, 'ALL')
- msgList = data[0].split()
- print("total mails:" + str(len(msgList)))
- last = msgList[len(msgList) - 1]
- # first = msgList[0]
- # M.store(first, '-FLAGS', '(\Seen)')
- # M.store("1:*", '+FLAGS', '\\Deleted') #Flag all Trash as Deleted
- output=PATH+'\output.csv'
- fp2=open(output, 'w')
- last_id=read_config()
- count=0
- for idx in range(int(last_id), len(msgList)):
- print("curr id: "+str(idx)+'\n')
- type,data=M.fetch(msgList[idx],'(RFC822)')
- deal_mail(data, fp2)
- count=count+1
- if count>500:
- break
- write_config(idx)
- # print(str(idx))
- print("OK!")
- M.logout()
- except Exception as e:
- print('imap error: %s' % e)
- M.close()
- def main2():
- path=os.path.split(os.path.realpath(__file__))[0]
- input=path+'\input2.txt'
- output=path+'\output.csv'
- fp=open(input, 'rb')
- fp2=open(output, 'w')
- if True:
- line=fp.read()
- pharse_content(fp2, line)
- def get_mime_version(msg):
- if msg != None:
- return email.utils.parseaddr(msg.get('mime-version'))[1]
- else:
- empty_obj()
- def get_message_id(msg):
- if msg != None:
- return email.utils.parseaddr(msg.get('Message-ID'))[1]
- else:
- empty_obj()
- # 读config文件,获取上次最大id,从这个id开始读邮件
- def read_config():
- if os.path.isfile(PATH+"\\"+CONFIG_FILE):
- _fp=open(PATH+"\\"+CONFIG_FILE)
- id=_fp.read()
- _fp.close()
- else:
- id=0
- return id
- # 将本次处理的邮件的最大id写入config,以便下次读取
- def write_config(id):
- _fp=open(PATH+"\\"+CONFIG_FILE, 'w')
- _fp.write(str(id))
- _fp.close()
- def deal_mail(data, fp2):
- msg=email.message_from_string(data[0][1].decode('GBK'))
- messageid = get_message_id(msg)
- print(messageid)
- content=msg.get_payload(decode=True)
- #print(content)
- pharse_content(fp2, content, messageid)
- def pharse_content(fp2, content, messageid):
- #将半角的 , 换成全角的 ,
- # content=content.replace(',', ',') # error: a bytes-like object is required, not 'str'
- # content=content.replace(',', bytes(',')) # error: string argument without an encoding
- content=content.replace(bytearray(',','GBK'), ','.encode('GBK'))
- # print(content.decode('GBK'))
- # strinfo=re.compile(',')
- # content=strinfo.sub(',', content) # error: cannot use a string pattern on a bytes-like object
- matchObj = re.match( r'.*<body>(.*)</body>.*', content.decode('GBK'), re.M|re.I|re.S)
- if matchObj:
- found=matchObj.group(1) #邮件正文
- aa=found.split('#$') #分解为一个个field
- # 获取申诉涉及号码。匹配模式:申诉问题涉及号码:18790912404;
- mobileObj=re.match(r'.*申诉问题涉及号码:(.*);', aa[9], re.M|re.I|re.S)
- if mobileObj:
- mobile=mobileObj.group(1)
- else:
- mobile=''
- # bb 是结果数组,对应生成的csv文件的列
- aa[9]=aa[9].replace('"', '“') #我靠前面的写法用不着了! content=content.replace(bytearray(',','GBK'), ','.encode('GBK'))
- bb=['']*40 #40个元素的数组,对应40个列
- bb[3]=aa[0] #D列
- bb[4]=aa[4] #E
- bb[5]=mobile #F
- bb[6]=aa[5] #G
- bb[7]=aa[2] #H
- bb[8]=aa[1] #I
- bb[9]=aa[3] #J
- bb[11]=aa[6] #L
- bb[12]=aa[6] #M
- bb[22]='网站' #W 申诉来源。此处可自行修改为指定类型
- bb[36]='"'+aa[9]+'"' #AK,两侧加 "" 是为了保证多行文字都放进一个单元格中
- DELI=','
- # fp2.write("AAAAA,"+DELI.join(bb)+"\\n")
- fp2.write(DELI.join(bb)+"\n")
- else:
- print("No match!!")
- main()
再用python写一个文本处理的东东的更多相关文章
- 【Python】如何基于Python写一个TCP反向连接后门
首发安全客 如何基于Python写一个TCP反向连接后门 https://www.anquanke.com/post/id/92401 0x0 介绍 在Linux系统做未授权测试,我们须准备一个安全的 ...
- Python写一个自动点餐程序
Python写一个自动点餐程序 为什么要写这个 公司现在用meican作为点餐渠道,每天规定的时间是早7:00-9:40点餐,有时候我经常容易忘记,或者是在地铁/公交上没办法点餐,所以总是没饭吃,只有 ...
- 用Python写一个简单的Web框架
一.概述 二.从demo_app开始 三.WSGI中的application 四.区分URL 五.重构 1.正则匹配URL 2.DRY 3.抽象出框架 六.参考 一.概述 在Python中,WSGI( ...
- 十行代码--用python写一个USB病毒 (知乎 DeepWeaver)
昨天在上厕所的时候突发奇想,当你把usb插进去的时候,能不能自动执行usb上的程序.查了一下,发现只有windows上可以,具体的大家也可以搜索(搜索关键词usb autorun)到.但是,如果我想, ...
- [py]python写一个通讯录step by step V3.0
python写一个通讯录step by step V3.0 参考: http://blog.51cto.com/lovelace/1631831 更新功能: 数据库进行数据存入和读取操作 字典配合函数 ...
- python统计一个文本中重复行数的方法
python统计一个文本中重复行数的方法 这篇文章主要介绍了python统计一个文本中重复行数的方法,涉及针对Python中dict对象的使用及相关本文的操作,具有一定的借鉴价值,需要的朋友可以参考下 ...
- 用python写一个自动化盲注脚本
前言 当我们进行SQL注入攻击时,当发现无法进行union注入或者报错等注入,那么,就需要考虑盲注了,当我们进行盲注时,需要通过页面的反馈(布尔盲注)或者相应时间(时间盲注),来一个字符一个字符的进行 ...
- python写一个能变身电光耗子的贪吃蛇
python写一个不同的贪吃蛇 写这篇文章是因为最近课太多,没有精力去挖洞,记录一下学习中的收获,python那么好玩就写一个大一没有完成的贪吃蛇(主要还是跟课程有关o(╥﹏╥)o,课太多好烦) 第一 ...
- python写一个双色球彩票计算器
首先声明,赌博一定不是什么好事,也完全没有意义,不要指望用彩票发财.之所以写这个,其实是用来练手的,可以参考这个来预测一些其他的东西,意在抛砖引玉. 啰嗦完了,马上开始,先上伪代码 打开网址 读取内容 ...
随机推荐
- CodeForces 1110G. Tree-Tac-Toe
题目简述:给定$n$个节点的树,其中一些节点被染成了白色(其余节点未染色).黑白双方博弈,白先动.轮到黑(白)方时,选择树上的一个未染色的节点并将其染成黑(白)色.率先达成三连色(即存在三个节点$a, ...
- 2.8-2.10 HBase集成MapReduce
一.HBase集成MapReduce 1.查看HBase集成MapReduce需要的jar包 [root@hadoop-senior hbase-0.98.6-hadoop2]# bin/hbase ...
- 【eclipse插件开发实战】 Eclipse插件开发6——eclipse在线翻译插件Translator开发实例详解
Eclipse插件开发6--eclipse在线翻译插件Translator开发实例详解 在上一篇文章中讲到了一个简单的eclipse插件开发实例,主要是对插件工程的基本创建步骤进行了讲解,这篇文章当中 ...
- 【eclipse插件开发实战】Eclipse插件开发2——SWT
Eclipse插件开发实战2--SWT 一.SWT简介 SWT(StandardWidget Toolkit) 标准小窗口工具箱,一开源的GUI编程框架,与AWT/Swing有相似的用处,eclips ...
- UVaLive 6847 Zeroes (找规律,水题)
题意 :给定一个范围,然后让你求在这个范围内所有的数的阶乘末尾0的个数有多少种. 析:找规律,写几个就会发现每隔5个会增加一个0,因为要么乘10了,要么乘5了. 代码如下: #pragma comme ...
- IE8 以上版本兼容
在html的内如下写法 其中最后一行是永远以最新的IE版本模式来显示网页的. 另外加上Emulate模式 Emulate模式后则更重视 (细心的人会注意到,用IE9去访问带有x-ua-compatib ...
- forEach方法如何跳出循环
1.for方法跳出循环 function getItemById(arr, id) { var item = null; for (var i = 0; i < arr.length; i++) ...
- Visual Studio 调试卡顿的解决方法
将不用的断点删除 关闭调试时打开的"IntelliXXX的窗口" 上面的第2条测试有效! https://social.msdn.microsoft.com/Forums/zh-C ...
- Educational Codeforces Round 18D(完全二叉树中序遍历&lowbit)
题目链接:http://codeforces.com/contest/792/problem/D 题意:第一行输入n, q,分别表示给出一颗n个节点的中序遍历满二叉树,后面有q个询问; 接下来有q组形 ...
- bzoj 4032: [HEOI2015]最短不公共子串【dp+SAM】
第一.二问: 就是最小的最长公共长度+1,设f[i][j]为a匹配到i,b匹配到j,第一问的转移是f[i][j]=(a[i]==b[j]?f[i-1][j-1]+1:0),第二问的转移是f[i][j] ...