Python正则表达式从邮件正文高效提取关键词、文本及URL教程

01 事務用品・機器

大阪府警察大正警察署：指サック等の購入　 　：大阪市大正区

https://www.e-nyusatsu.pref.osaka.jp/CALS/Publish/EbController?Shori=SmallKokokuInfo&open_kokoku=01202350042214

rf'([^
]*({"|".join(map(re.escape, child_keywords))})[^
]*).*?(https?://S+)'

import win32com.client
import os
import json
import logging
import re

def read_config(config_file):
    with open(config_file, 'r', encoding="utf-8") as f:
        config = json.load(f)
    return config

def search_and_save_email(config):
    try:
        folder_name = config.get("folder_name", "")
        output_file_path = config.get("output_file_path", "")
        output_file_name = config.get("output_file_name", "output.txt") # Use a default name or generate per email
        parent_keyword = config.get("parent_keyword", "")
        child_keywords = config.get("child_keywords", [])

        # 确保输出目录存在
        os.makedirs(output_file_path, exist_ok=True)

        outlook = win32com.client.Dispatch("Outlook.Application").GetNamespace("MAPI")
        inbox = outlook.GetDefaultFolder(6)

        user_folder = None
        for folder in inbox.Folders:
            if folder.Name == folder_name:
                user_folder = folder
                break

        if user_folder is not None:
            # 编译父关键词正则表达式，用于主题匹配
            parent_keyword_pattern = re.compile(r'(?:' + '|'.join(map(re.escape, parent_keyword.split())) + r')', re.IGNORECASE)

            # 编译子关键词、关联文本和URL的正则表达式
            # 注意 re.S (DOTALL) 标志，使 '.' 匹配换行符
            # 注意 re.IGNORECASE 标志，使匹配不区分大小写
            child_url_extraction_pattern = re.compile(
                rf'([^
]*({"|".join(map(re.escape, child_keywords))})[^
]*).*?(https?://S+)',
                re.S | re.IGNORECASE
            )

            for item in user_folder.Items:
                # 检查邮件主题是否包含父关键词
                if parent_keyword_pattern.findall(item.Subject):
                    logging.info(f"在主题中找到父关键词: {item.Subject}")

                    email_body = item.Body # 使用原始邮件正文
                    output_content = ""

                    # 使用新的正则表达式在邮件正文中查找所有匹配项
                    # re.findall 返回一个列表，其中每个元素是一个元组，包含所有捕获组的内容
                    matches = child_url_extraction_pattern.findall(email_body)

                    if matches:
                        for full_line_text, child_matched_keyword, url in matches:
                            # full_line_text 包含了关键词所在行及其前后文本
                            # child_matched_keyword 是实际匹配到的子关键词
                            # url 是紧随其后的URL

                            output_content += f"子关键词: {child_matched_keyword.strip()}
"
                            output_content += f"关联文本: {full_line_text.strip()}
"
                            output_content += f"URL: {url}

"

                        # 根据邮件主题生成文件名，并保存结果
                        # 替换主题中的非法文件名字符
                        safe_subject = re.sub(r'[\/:*?"<>|]', '_', item.Subject)
                        output_file = os.path.join(output_file_path, f"{safe_subject}.txt")
                        with open(output_file, 'w', encoding='utf-8') as f:
                            f.write(output_content)
                        logging.info(f"结果已保存到 {output_file}")
                    else:
                        logging.warning(f"在邮件主题 '{item.Subject}' 中找到父关键词，但未找到匹配的子关键词或URL。")
                # else:
                #     # 如果父关键词未找到，这里可以跳过或记录
                #     logging.debug(f"未在主题中找到父关键词: {item.Subject}")

        else:
            logging.warning(f"文件夹 '{folder_name}' 未找到。")
    except Exception as e:
        logging.error(f"发生错误: {str(e)}")

if __name__ == "__main__":
    logging.basicConfig(level=logging.INFO, format='%(asctime)s - %(levelname)s - %(message)s')

    config_file_path = "E:\config2.json" # 请根据实际路径修改

    # 示例配置文件内容 (config2.json)
    # {
    #   "folder_name": "调达プロジェクト",
    #   "output_file_path": "E:\output",
    #   "output_file_name": "output.txt",
    #   "parent_keyword": "meeting",
    #   "child_keywords": ["土木一式工事", "産業用機器", "事務用品・機器"]
    # }

    if not os.path.exists(config_file_path):
        logging.error(f"配置文件 '{config_file_path}' 不存在。请检查路径或创建文件。")
    else:
        config = read_config(config_file_path)
        search_and_save_email(config)