¿Cómo puedo obtener el contenido de texto de un mensaje de correo electrónico usando Python?

Question

Dado un mensaje RFC822 en Python 2.6, ¿cómo puedo obtener el derecho parte de texto/contenido simple? Básicamente, el algoritmo que yo quiero es éste:

message = email.message_from_string(raw_message) 
if has_mime_part(message, "text/plain"): 
    mime_part = get_mime_part(message, "text/plain") 
    text_content = decode_mime_part(mime_part) 
elif has_mime_part(message, "text/html"): 
    mime_part = get_mime_part(message, "text/html") 
    html = decode_mime_part(mime_part) 
    text_content = render_html_to_plaintext(html) 
else: 
    # fallback 
    text_content = str(message) 
return text_content 

de estas cosas, tengo get_mime_part y has_mime_part al dedillo, pero no estoy muy seguro de cómo obtener el texto decodificado de la parte MIME. Puedo obtener el texto codificado usando get_payload(), pero si trato de utilizar el parámetro decode del método get_payload() (ver the doc) me da un error cuando llamo en el texto/parte llana:

File "/System/Library/Frameworks/Python.framework/Versions/2.6/lib/python2.6/email/message.py", line 189, in get_payload 
    raise TypeError('Expected list, got %s' % type(self._payload)) 
TypeError: Expected list, got <type 'str'> 

Además, no sé cómo tomar HTML y presentarlo al texto lo más fielmente posible.

Answer 1

En un correo electrónico de varias partes, email.message.Message.get_payload() devuelve una lista con un elemento para cada parte. La forma más fácil es caminar el mensaje y obtener la carga útil en cada parte:

import email 
msg = email.message_from_string(raw_message) 
for part in msg.walk(): 
    # each part is a either non-multipart, or another multipart message 
    # that contains further parts... Message is organized like a tree 
    if part.get_content_type() == 'text/plain': 
     print part.get_payload() # prints the raw text 

Para que un mensaje no multiparte, no hay necesidad de hacer todo el pie. Puede ir directamente a get_payload(), independientemente de content_type.

msg = email.message_from_string(raw_message) 
msg.get_payload() 

Si el contenido está codificado, es necesario pasar None como primer parámetro a get_payload(), seguido por True (el indicador de decodificación es el segundo parámetro). Por ejemplo, supongamos que mi correo electrónico contiene un archivo adjunto documento de MS Word:

msg = email.message_from_string(raw_message) 
for part in msg.walk(): 
    if part.get_content_type() == 'application/msword': 
     name = part.get_param('name') or 'MyDoc.doc' 
     f = open(name, 'wb') 
     f.write(part.get_payload(None, True)) # You need None as the first param 
               # because part.is_multipart() 
               # is False 
     f.close() 

En cuanto a conseguir una aproximación razonable de texto plano de una parte HTML, he encontrado que html2text obras bastante maldito también.

Answer 2

plana es mejor que anidado;)

from email.mime.multipart import MIMEMultipart 
assert isinstance(msg, MIMEMultipart) 

for _ in [k.get_payload() for k in msg.walk() if k.get_content_type() == 'text/plain']: 
    print _