如何区分发件人生成的回车与电子邮件正文中自动换行的回车？

Question

如何在电子邮件正文中区分发件人生成的回车和自动换行的回车？我正在使用 Python imaplib 访问 Gmail 并下载邮件正文，如下所示：

user='whoever@gmail.com'
pwd='password'
m = imaplib.IMAP4_SSL("imap.gmail.com")
m.login(user,pwd)
m.select("INBOX")
resp, items = m.search(None, "ALL")
items = items[0].split()
messages = []
for emailid in items:
    resp, data = m.fetch(emailid, "(RFC822)")
    email_body = data[0][1]
    mail = email.message_from_string(email_body)
    for part in mail.walk():
        if part.get_content_type() == 'text/plain':
            body = part.get_payload(decode=1)
            messages.append(body)

我关注的是从其他 Gmail 用户收到邮件的情况。消息正文文本中有许多回车符 ('\r\n')。这些分为两类：1) 由电子邮件发件人插入的那些，“真”返回，2) 那些由 Gmail 自动换行创建的约 78 个字符，“假”返回。我只想删除第二类回车。我确信我可以想出一个程序化的近似值，在每 78 个字符附近的窗口中搜索 '\r\n' ，但这不是防弹的，也不是我想要的。有趣的是，我注意到当邮件在网络浏览器的 Gmail 中显示时，第二类回车没有回车。 Gmail 不知何故知道要删除/不专门显示这些。如何？是否缺少一些特殊的编码？

Answer 1

Gmail 以 MIME 多部分格式发送消息，包括 text/plain 版本（您正在抓取的内容）和 text/html 版本。后一个版本包含花哨的格式，如粗体、斜体、链接等，并且是 Gmail 显示的内容。虽然 text/html 版本也是 78 个字符的换行符（电子邮件标准的一部分 - 基础文本的行不得超过 78 个字符），但您正在寻找的“真正”换行符是作为 HTML <br> 标签嵌入其中。如果您向自己发送一条消息，然后使用“回复”按钮旁边的小向下箭头，您可以自己看到这一点，然后点击“显示原件”。

您无法区分消息的文本/纯文本版本中的“假”和“真实”换行符，至少不可靠（正如您显然知道的那样）。但是，您可以拉取 text/html 版本，然后知道“真正的”换行符是 <br> 标签，但是您必须处理额外的 HTML（以及首先正确处理其中使用的“Content-Transfer-Encoding”）。

Answer 2

我不知道有多少电子邮件客户端正确解释或生成此内容，但RFC 3676 包括以下内容：

在创建流式文本时，生成代理会换行，即 根据需要插入“软”换行符。软换行符添加在 自然的包裹点，例如单词之间。软换行符是 一个 SP CRLF 序列。

所以如果前一行的末尾有一个空格，那么当前行应该被解释为前一行的延续。我建议查看整个 RFC。