Python电子邮件包：如何可靠地将多部分消息转换/解码为

Question

我试图用Python处理旧的、可能不合规的电子邮件。我可以毫无疑问地在留言中读到：

In [1]: m=email.message_from_binary_file(open('/path/to/problematic:2,S',mode='rb'))

但随后将其转换为字符串时会出现UnicodeEncodeError:“gb2312”编解码器无法对1238位置的字符“\ufffd”进行编码：非法的多字节序列。这个有问题的消息的（多）部分有“Content Type:text/plain；charset=”gb2312“和“Content Transfer Encoding:8bit”。在

^{pr2}$

我不太熟悉电子邮件内部的特性，在网上搜索这种类型的错误时发现的主要问题是在抓取网页时，基本上有点明显的建议：读入的原始字节包含无法用目标编解码器编码的Unicode字符。在

我的问题是：什么是正确的方法来可靠地处理（可能不符合）电子邮件？在

编辑

有趣的是，m.get_payload(i=0).as_string()会触发相同的异常，但是m.get_payload(i=0).get_payload(decode=False)给出了在我的终端上正确显示的str，而{}给出了一个我无法解码的bytes（b'\xd7\xaa...'）。但是，错误发生在不同的字符上：

----> 1 m.get_payload(i=0).get_payload(decode=True).decode('gb2312')
UnicodeDecodeError: 'gb2312' codec can't decode byte 0xac in position 1995: illegal multibyte sequence

或者

----> 1 m.get_payload(i=0).get_payload(decode=True).decode('gb18030')
UnicodeDecodeError: 'gb18030' codec can't decode byte 0xa3 in position 2033: illegal multibyte sequence

Answer 1

简短的答案通常是error handlers在您的bytes.decode调用中。但细节取决于很多事情。在

首先，你想如何处理这些数据？通常你需要一些绝对可逆的东西，所以你可以保证在最坏的情况下你可以重新生成你所接受的东西，在这种情况下你可能想要surrogate-escape。在其他情况下，你想生成一些人类可读的东西，最好跳过不可能的mojibake，而不是试图呈现它，因此ignore可能是正确的答案。等等。在

第二，这是一个绝大多数消息都是好消息，但有少数消息是错误的，还是许多消息大多数都很好但有一些错误？在

最后，在某些情况下（对于传统的中文编码尤其如此），实际问题只是有人指定了一个密切相关的字符集，而不是他们实际使用的字符集。如果您看到的是这种情况，您可能需要尝试编写显式的后备代码：如果您遇到异常，请在常见错误的dict中查找编码，然后尝试其他编码。如果它们都不起作用，则返回到使用错误处理程序的特定编码。在