使用 bytes.decode(encoding) 解码电子邮件文本

Question

我正在尝试使用 Python 3's 解码一些电子邮件文本bytes.decode(encoding)，其中encoding来自charset电子邮件标题的字段。问题：一些电子邮件将“cp-850”列为他们的字符集，同时decode()接受“cp850”。如果我只是去掉连字符，那么另一个像 iso-8859-6 这样的代码集就会变成 iso88596，这是一种无法识别的编码。如何在encoding不创建更多未知编码的情况下清理 arg ？[编辑] 后续问题：如何email.message.Message以 接受的格式（别名）从对象中获取字符集bytes.decode()？[编辑] 澄清了问题。以前当我指的是字符集时使用了错误的术语“内容编码”。

Answer 1

该email.charset模块包含从IANA字符集标签到Python内部使用的别名的映射; 但是有可能您根本不需要自己做.

这是Python文档中该模块的“示例”页面中的示例的改编本email

import email

from email.policy import default

with open('/path/to/file', 'rb') as fp:

    msg = email.message_from_binary_file(fp, policy=default)

for part in msg.walk():

    # multipart/* are just containers

    if part.get_content_maintype() == 'multipart':

        continue

    charset = part.get_content_charset()

    if charset is not None:

        print('=== charset {} ==='.format(charset))

        print(part.get_content())

这将为您提供部件字符集的 IANA 字符集标签；但是（默认情况下email.policy）文本有效负载将已为您解码为 Unicode，因此您根本不需要自己转换它。

该email库已在Python 3.5中正式进行了检修（在Python 3.3中已经非正式地进行了检修），并使用了基于策略的系统，该系统允许您在确实需要时接管消息解析的某些部分；但是对于格式正确的符合标准的消息（以及一些常见的突变），您可以放心让Python标准库为您完成工作。

但是，正如您所指出的cp-850，正是由于您陈述的原因，该代码实际上无法与身体部位一起使用。你会期望这会起作用，但它不会：

# FIXME: broken code, doesn't help

import email.charset as email_charset

email_charset.add_alias('cp-850', 'cp850')

相反，您必须破解Python的encodings模块以支持该别名：

import encodings

encodings.aliases.aliases['cp_850'] = 'cp850'

还应注意的是，别名令人困惑地是如何有一个下划线，然后该下划线被映射为某些内部黑色巫毒魔法中的短划线。