如何解析电子邮件签名以分别获取详细信息？

Question

我的项目需要解析我收到的 gmail 帐户的邮件签名。我必须从签名中获取名字、姓氏、邮件 ID 等 [只有发件人的]。你能告诉我从哪里开始吗？ （从某种意义上说，“从哪里开始”，是否已经为此做好了准备？）

我已经通过了这个question，这个问题是关于删除签名的东西，但这与我的要求完全相反。这个问题的答案并不能解决我的问题。

我知道我可以使用正则表达式来完成这项工作。但我不想错过那些不遵循邮件签名网络礼节的邮件，比如在签名前去掉“--”，尾随连字符。

如果可能的话，请让我知道任何完全提供此功能的开源 javascript 项目。

提前致谢。

更新：我正在寻找的签名通常与业务相关，因此它们包含 HTML 内容或有时直接包含 VCard。

更新：我只需要剥离签名的每一行并从这些行中获取详细信息。

Answer 1

回答这个问题有几个可能的部分。

gmail 界面中的签名

在 gmail 界面中，签名相当容易抓取。它们包含在<font color="#888888"> 中，因此如果您从 gmail 界面中获取签名，那么使用 xmlreader 获取那些应该非常容易。这不会得到 gmail 未检测到的任何签名。

使用签名设置从 gmail 发送的邮件中的签名

只需在电子邮件的 html 版本中查找 <div class=3D"gmail_signature">。

签名解析的一般方法

我任意将目标限定为发件人的联系方式。因此，在签名中仅获取联系信息是最有意义的。由于许多电子邮件包含发件人以外的其他人的联系信息，因此第一步是隔离签名。

一旦签名被隔离，每一行都可以与正则表达式模式匹配。我绝不是正则表达式专家，所以我不会尝试在这里描述实际模式。

下面是一个方法，而不是代码。实际的实现应该非常简单。

从电子邮件中获取签名

1. 删除目标消息中除呈现文本之外的所有内容。在适当的地方留下 \n 换行符。
2. 从消息底部开始工作，将每一行存储在一个变量中。当您遇到长行时停止（60 多个字符，确切数字需要实验¹）。不要包括长线。
3. 如果中间某处有多个 \n，请删除它们以及它们上方的所有内容。这是为了删除所有短线和大多数结束称呼。²

现在签名被隔离了。

以下是关于剩余部分的一些假设。除非指定了顺序，否则假定它们可以是任何顺序。

A) End of message and closing greeting will be the topmost line(s)
B) Name
C) Phone Number
D) Email Address
E) Mailing Address
F) Tag line or witty saying, etc.

¹_{60 个字符的行长是基于RFC 2822 强烈建议行应该是78 个字符长的事实。 Gmail 尊重这一点。大多数签名行都会比这短，除非整个地址写成一行。使用此方法无法正确检测极短电子邮件（}

²_{由于大多数签名是自动添加的，通常在它们之前有一系列换行符。但是，手写签名可能不遵循此模式，因此根据您正在处理的电子邮件类型，您可能会发现此步骤无益或有害。}

识别签名的各个部分

现在您已经降低了正则表达式误报匹配的可能性，您可以查看剩余的行是否与您的任何模式匹配。

1. 用换行符替换常用分隔符，|是一个常见的例子。

2. 检查是否有任何行与您的正则表达式模式匹配。如果他们这样做，请从进一步考虑中删除它们。最困难的部分是将名称与其他事物区分开来。建议顺序：

   电子邮件

   电话

   邮政编码（如果找到邮政编码，则为地址）

左边应该是结束称呼、姓名、标语和上述项目的任何格式错误的部分。请注意，虽然大多数正则表达式用于查找错误（用于验证），但您希望匹配错误，从进一步处理中删除行，然后验证或规范化。

在我看来，找出哪个部分是区分名称和标语行的最困难的部分。以下是一些对常见情况有帮助的建议：

1. 名称由少量单词组成。
2. 名称在某些地方包含句点 - 在 1-3 个字母单词之后。 （法语有 M. 代表 Messieur）
3. 名称不包含太多标点符号。除了上述句号之外，可能只有破折号和撇号。您可能会遇到标题前逗号的问题，例如 John Lawyer, Esq。
4. 标记行可能以逗号结尾
5. 大写可以暗示（但不是明确地说）某事物是否是名称。

此外，您可以将常用的结束称呼词（真诚、谢谢、欢呼等）列入黑名单。如果将其缩小到一两行，则上面的最有可能是名字，而下面的最有可能标语。

有关识别名称的更多信息，请参阅Find names with Regular Expression。请记住，虽然在一般情况下编写解决方案应该很容易，但自然语言处理是巨大的，超出了像我这样的凡人的范围。 Named Entity Recognition is a known challenge。希望我所描述的内容能在大多数情况下为您提供帮助。

Answer 2

我不使用 GMail，所以我实际上是从我拥有的唯一包含签名的 GMail 消息中构建了这个答案。这是垃圾邮件。不过，让我们看看这能让你走多远……

var sig = document.querySelector('div[data-tooltip="Show trimmed content"]')
                  .parentNode.nextElementSibling

这应该为紧跟隐藏/显示点之后的内容设置一个名为sig 的新变量。请注意，它还会找到引用的对话。这是一个开始，而不是完整的解决方案。

Element.querySelector() 是一种通过 CSS 搜索元素的便捷方式。在这种情况下，我寻找工具提示。我们想要的元素实际上是上一级元素，然后是下一个元素（CSS 不能做，但 JS 可以）。

Answer 3

我想解决这个问题的方法不仅仅是几行代码。我认为它需要某种专门用于此的特殊处理，例如签名解析器或 NLP。这个问题从 8 月就开始了，我想现在是时候关闭它了。

Answer 4

有一个 API 可以从签名中解析联系人数据。它还将处理回复链。请参阅下面的示例。

https://www.sigparser.com。

您可以在 https://api.sigparser.com 的 swagger 详细信息页面上测试 API。

（顺便说一句，我是 SigParser.com 的创建者）

这是一个示例响应：

{
    "error": null,
    "contacts": [
        {
            "firstName": "Bill",
            "lastName": "Gates",
            "emailAddress": "bgates@example.com",
            "phoneNumber": null,
            "fax": null,
            "address": null,
            "title": null,
            "phoneNumbers": [
                {
                    "rationalType": null,
                    "type": "Mobile",
                    "phoneNumber": "7774448888"
                }
            ],
            "twitterUrl": [
                {
                    "emailAddress": "bgates@example.com",
                    "url": "https://twitter.com/BillGates"
                }
            ],
            "linkedInUrl": [
                {
                    "emailAddress": "bgates@example.com",
                    "url": "https://www.linkedin.com/in/williamhgates/"
                }
            ]
        }
    ],
    "isSpammyLookingEmailMessage": false,
    "isSpammyLookingSender": false,
    "isSpam": false,
    "from_LastName": "Gates",
    "from_FirstName": "Bill",
    "from_Fax": null,
    "from_Phone": null,
    "from_Address": null,
    "from_Title": null,
    "from_MobilePhone": "7774448888",
    "from_OfficePhone": null,
    "from_LinkedInUrl": "https://www.linkedin.com/in/williamhgates/",
    "from_TwitterUrl": "https://twitter.com/BillGates",
    "from_EmailAddress": "bgates@example.com",
    "emails": [
        {
            "from_EmailAddress": "bgates@example.com",
            "from_Name": "Bill Gates",
            "textBody": "Hi, good seeing you the other day.\r\n--\r\nBill Gates\r\nCell 777-444-8888LinkedInTwitter",
            "htmlLines": [
                "<div>Hi, good seeing you the other day.</div>",
                "<div>--</div>",
                "<div>Bill Gates</div>",
                "<div>Cell 777-444-8888</div><a href=\"https://www.linkedin.com/in/williamhgates/\">LinkedIn</a><a href=\"https://twitter.com/BillGates\">Twitter</a>"
            ],
            "date": "2017-01-01T00:00:00",
            "didParseCorrectly": true,
            "to": [],
            "cc": []
        }
    ]
}