本教程旨在解决从outlook邮件正文中，根据配置的父子关键词，精确提取关联文本和url的挑战。通过分析原有正则表达式的局限性，引入并详细解析了新的、更强大的正则表达式模式，该模式能一次性捕获关键词、其所在段落及紧随的url，并提供了完整的python实现代码，帮助开发者优化邮件内容自动化处理流程。
引言：邮件内容自动化提取的挑战
在日常工作中，我们经常需要从大量的邮件中筛选出特定信息，例如根据关键词识别邮件主题，并从邮件正文中提取与这些关键词相关的具体内容和链接。Python结合win32com.client库可以方便地与Microsoft Outlook进行交互，而正则表达式则是从非结构化文本中提取结构化数据的强大工具。然而，构建一个能够精确捕获所需信息（如关键词、其上下文文本以及紧随其后的URL）的正则表达式，往往是实现这一目标的关键挑战。
原有方案分析与局限性
原始的Python代码尝试通过以下步骤提取信息：
- 遍历Outlook中指定文件夹的邮件。
- 检查邮件主题是否包含父关键词。
- 如果主题匹配，则遍历配置的子关键词。
- 对于每个子关键词，在邮件正文中查找匹配项。
- 在找到子关键词后，尝试通过查找最近的换行符来确定“段落”的开始和结束。
- 然后，在这个“段落”内查找URL。
然而，这种方法的局限性在于：
- 段落定义不准确： paragraph_start = body_lower.rfind('\n', 0, match.start()) 和 paragraph_end = body_lower.find('\n', match.end()) 这种方式通常只会捕获到关键词所在行的内容。如果URL位于关键词下方多行，或者与关键词不在同一逻辑“段落”内（但视觉上相关联），则无法被捕获。
- URL提取范围受限： URL提取逻辑 url_pattern.findall(paragraph_text) 仅在狭义定义的 paragraph_text 内进行。由于 paragraph_text 往往只包含关键词所在行，而URL通常在下一行或后续行，导致URL未能被正确识别和提取。
例如，对于以下邮件内容：
立即学习“Python免费学习笔记（深入）”；
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
如果子关键词是“事務用品・機器”，原代码中的paragraph_text可能只包含“01 事務用品・機器”，而无法包含后续的描述文本和URL。
优化后的正则表达式与提取策略
为了解决上述问题，我们需要一个更强大的正则表达式，能够一次性捕获关键词、其关联文本以及紧随其后的URL。核心思想是利用正则表达式的捕获组和非贪婪匹配，跨越多行来定位所有相关信息。
新正则表达式解析
我们构建的优化正则表达式如下：
rf'([^\n]*({"|".join(map(re.escape, child_keywords))})[^\n]*).*?\b(https?://\S+)'让我们分解这个正则表达式的各个部分：
-
([^\n]*):
- [^\n]*: 匹配零个或多个非换行符。这会捕获关键词之前在同一行的所有文本。
- (): 这是一个捕获组，用于捕获整个“段落”的前半部分。
-
({"|".join(map(re.escape, child_keywords))}):
- child_keywords: 这是一个包含所有子关键词的列表。
- map(re.escape, child_keywords): re.escape() 函数用于转义子关键词中的任何特殊正则表达式字符，确保它们被视为字面量。
- "|".join(...): 将转义后的子关键词用 | 符号连接起来，形成一个“或”模式（例如 keyword1|keyword2|keyword3）。
- (): 这是一个捕获组，用于捕获匹配到的具体子关键词。
[^\n]*: 匹配关键词之后在同一行的零个或多个非换行符。
-
.*?:
- .: 匹配任何字符（包括换行符，当配合 re.S 或 re.DOTALL 标志使用时）。
- *: 匹配前一个字符零次或多次。
- ?: 使 * 变为非贪婪匹配，即尽可能少地匹配字符。这确保它只匹配到第一个紧随其后的URL，而不是匹配到文档末尾的URL。
-
\b(https?://\S+):
- \b: 单词边界，确保URL是一个独立的实体。
- https?://: 匹配 http:// 或 https://。
- \S+: 匹配一个或多个非空白字符，直到遇到空白字符为止，这通常能捕获完整的URL。
- (): 这是一个捕获组，用于捕获完整的URL。
关键的正则表达式标志：
- re.S (或 re.DOTALL): 使得 . 能够匹配包括换行符在内的所有字符。这对于跨行捕获关键词和URL之间的文本至关重要。
- re.IGNORECASE: 实现不区分大小写的匹配，如果需要的话。
代码实现：整合优化后的提取逻辑
我们将更新 search_and_save_email 函数中的子关键词匹配和信息提取部分。
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'\b(?:' + '|'.join(map(re.escape, parent_keyword.split())) + r')\b', 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'([^\n]*({"|".join(map(re.escape, child_keywords))})[^\n]*).*?\b(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()}\n"
output_content += f"关联文本: {full_line_text.strip()}\n"
output_content += f"URL: {url}\n\n"
# 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)
注意事项与最佳实践
- 正则表达式标志： re.S (或 re.DOTALL) 是此解决方案的关键，它允许 . 匹配换行符，从而使正则表达式能够跨越多行捕获信息。re.IGNORECASE 则确保匹配不区分大小写，增加了匹配的灵活性。
- 关键词转义： 使用 re.escape() 函数处理 child_keywords 列表中的每个子关键词是至关重要的。这可以防止关键词中可能存在的特殊正则表达式字符（如 .、*、+ 等）被错误地解释为正则表达式语法，从而导致匹配失败或意外行为。
- 非贪婪匹配： .*? 的使用确保了在找到第一个URL后停止匹配，避免了过度匹配到文档末尾的URL。
- 编码： 处理包含非ASCII字符（如日语）的文本时，务必确保文件读写和字符串处理都使用正确的编码（例如 utf-8），以避免乱码问题。
- 文件命名： 在保存输出文件时，邮件主题可能包含Windows文件系统不允许的字符（如 /, \, :, *, ?, ", , |）。在示例代码中，我们添加了 re.sub(r'[\\/:*?"|]', '_', item.Subject) 来替换这些非法字符，确保生成有效的文件名。
- 错误处理与日志： 保持健壮的错误处理机制（try-except 块）和详细的日志记录（logging 模块）对于调试和监控自动化脚本的运行至关重要。
总结
通过优化正则表达式，我们成功解决了从Outlook邮件正文中精确提取关键词、关联文本和URL的难题。新的正则表达式模式结合 re.S 和 re.IGNORECASE 标志，能够一次性、跨行地捕获所有所需信息，大大提高了数据提取的准确性和效率。这一方法不仅适用于邮件处理，也为其他复杂的文本内容提取任务提供了宝贵的参考。理解正则表达式的各个组成部分及其标志的用途，是掌握高效文本处理能力的关键。
