উদ্ধৃত উত্তর থেকে ইমেল সামগ্রী পার্স করুন

Question 1

আমি কোনও উদ্ধৃত উত্তর পাঠ্যের কোনও ইমেলের পাঠ্য কীভাবে এতে অন্তর্ভুক্ত হতে পারে তা কীভাবে বিশ্লেষণ করব তা বোঝার চেষ্টা করছি। আমি লক্ষ করেছি যে সাধারণত ইমেল ক্লায়েন্টরা একটি "এমন এবং এই জাতীয় তারিখের তারিখ" লিখবে বা একটি কোণ বন্ধনী সহ রেখাগুলির উপসর্গ স্থাপন করবে। দুর্ভাগ্যক্রমে, সবাই এটি করে না। প্রোগ্রামের মাধ্যমে উত্তর পাঠ্য কীভাবে সনাক্ত করা যায় সে সম্পর্কে কারও কি ধারণা আছে? আমি এই পার্সারটি লিখতে সি # ব্যবহার করছি।

Question 2

আমি এটিতে আরও অনেক অনুসন্ধান করেছি এবং আমি যা পেয়েছি তা এখানে। মূলত দুটি পরিস্থিতি রয়েছে যার অধীনে আপনি এটি করছেন: যখন আপনার সম্পূর্ণ থ্রেড থাকে এবং যখন আপনি না করেন। আমি এগুলি দুটি বিভাগে ভাগ করব:

আপনার যখন থ্রেড থাকবে:

আপনার যদি ইমেলগুলির পুরো সিরিজ থাকে তবে আপনি যে উচ্চারণটি সরিয়ে ফেলছেন তা আসলে উদ্ধৃত পাঠ্য বলে খুব উচ্চ মাত্রার নিশ্চয়তা অর্জন করতে পারেন। এই কাজটি করার দুটি পদ্ধতি আছে। এক, আপনি স্বতন্ত্র বার্তাটি, এর পিতা-মাতা এবং এটির যে থ্রেডটি রয়েছে তা নির্ধারণ করতে আপনি বার্তার বার্তা-আইডি, ইন-রিপ্লাই-টু আইডি এবং থ্রেড-ইনডেক্স ব্যবহার করতে পারেন। এই বিষয়ে আরও তথ্যের জন্য, দেখুন RFC822 , RFC2822 , থ্রেডিং এই আকর্ষণীয় নিবন্ধ , বা থ্রেডিং এই নিবন্ধটি । একবার আপনি থ্রেডটি পুনরায় একত্রিত করার পরে, আপনি তারপরে বাহ্যিক পাঠ্য (যেমন টু, থেকে, সিসি, ইত্যাদি ... লাইন) সরিয়ে ফেলতে পারেন এবং আপনার কাজ শেষ হয়ে গেছে।

আপনি যে বার্তাগুলির সাথে কাজ করছেন তার শিরোনাম যদি না থাকে তবে আপনি কোনও ইমেলের কোন অংশের উত্তর পাঠ্য তা নির্ধারণ করতে মিলের মিলও ব্যবহার করতে পারেন। এই ক্ষেত্রে আপনি পুনরাবৃত্তি হওয়া পাঠ্যটি নির্ধারণ করতে মিলের মিল করতে আটকে গেছেন stuck এই ক্ষেত্রে আপনি একটি দেখব করতে চাইতে পারেন Levenshtein দূরত্ব অ্যালগরিদম যেমন কোড প্রোজেক্ট উপর এই এক বা এই এক ।

যাই হোক না কেন, আপনি যদি থ্রেডিং প্রক্রিয়াটিতে আগ্রহী হন তবে ইমেল থ্রেডগুলি পুনরায় সমাবেশ করার জন্য এই দুর্দান্ত পিডিএফটি দেখুন ।

যখন আপনার থ্রেডটি নেই:

আপনি যদি থ্রেড থেকে কেবল একটি বার্তা নিয়ে আটকে থাকেন, আপনি উদ্ধৃতিটি কী তা অনুমান করার চেষ্টা করার চেষ্টা করছেন। সেক্ষেত্রে, আমি দেখেছি বিভিন্ন উদ্ধৃতি পদ্ধতি:

একটি লাইন (যেমন দৃষ্টিভঙ্গিতে দেখা যায়)।
কোণ বন্ধনী
"---আসল বার্তা---"
"এই জাতীয় ও দিনটিতে তাই-ও-তে লিখেছিলেন:"

সেখান থেকে পাঠ্য সরিয়ে ফেলুন এবং আপনার কাজ শেষ হয়েছে। এগুলির যে কোনওটির নেতিবাচক দিকটি হ'ল তারা সকলেই অনুমান করে যে প্রেরক তার উত্তর উদ্ধৃত পাঠ্যের উপরে রেখেছিল এবং এটি ইন্টারলেভ করেনি (যেমনটি ইন্টারনেটে পুরানো স্টাইল ছিল)। যদি তা হয়, ভাগ্য ভাল। আমি আশা করি এটি আপনার কয়েকজনকে সেখানে সাহায্য করবে!

Question 3

প্রথমত, এটি একটি জটিল কাজ।

আপনার বিভিন্ন ই-মেইল ক্লায়েন্টের থেকে সাধারণ প্রতিক্রিয়া সংগ্রহ করা উচিত এবং এগুলিকে পার্স করার জন্য সঠিক নিয়মিত এক্সপ্রেশন (বা যাই হোক না কেন) প্রস্তুত করা উচিত। আমি দৃষ্টিভঙ্গি, থান্ডারবার্ড, জিমেইল, অ্যাপল মেল এবং মেইল.রু থেকে প্রতিক্রিয়া সংগ্রহ করেছি।

আমি নিম্নলিখিত পদ্ধতিতে প্রতিক্রিয়া পার্স করতে নিয়মিত এক্সপ্রেশন ব্যবহার করছি: যদি এক্সপ্রেশনটি মেলে না তবে আমি পরবর্তীটি ব্যবহার করার চেষ্টা করব।

new Regex("From:\\s*" + Regex.Escape(_mail), RegexOptions.IgnoreCase);
new Regex("<" + Regex.Escape(_mail) + ">", RegexOptions.IgnoreCase);
new Regex(Regex.Escape(_mail) + "\\s+wrote:", RegexOptions.IgnoreCase);
new Regex("\\n.*On.*(\\r\\n)?wrote:\\r\\n", RegexOptions.IgnoreCase | RegexOptions.Multiline);
new Regex("-+original\\s+message-+\\s*$", RegexOptions.IgnoreCase);
new Regex("from:\\s*$", RegexOptions.IgnoreCase);

শেষ পর্যন্ত উদ্ধৃতি সরাতে:

new Regex("^>.*$", RegexOptions.IgnoreCase | RegexOptions.Multiline);

এখানে আমার পরীক্ষার প্রতিক্রিয়াগুলির ছোট সংগ্রহ (নমুনাগুলি ভাগ করে --- ):

From: test@test.com [mailto:test@test.com] 
Sent: Tuesday, January 13, 2009 1:27 PM
----
2008/12/26 <test@test.com>

>  text
----
test@test.com wrote:
> text
----
      test@test.com wrote:         text
text
----
2009/1/13 <test@test.com>

>  text
----
 test@test.com wrote:         text
 text
----
2009/1/13 <test@test.com>

> text
> text
----
2009/1/13 <test@test.com>

> text
> text
----
test@test.com wrote:
> text
> text
<response here>
----
--- On Fri, 23/1/09, test@test.com <test@test.com> wrote:

> text
> text

শুভেচ্ছা, ওলেগ ইয়ারোশেভিচ

Question 4

রেগেক্সের জন্য আপনাকে ধন্যবাদ, গোগলে! সত্যিই সাহায্য করেছে। এটি সি # নয়, তবে গুগলারের জন্য এখানে আমার রুবি পার্সিং স্ক্রিপ্টটি রয়েছে:

def extract_reply(text, address)
    regex_arr = [
      Regexp.new("From:\s*" + Regexp.escape(address), Regexp::IGNORECASE),
      Regexp.new("<" + Regexp.escape(address) + ">", Regexp::IGNORECASE),
      Regexp.new(Regexp.escape(address) + "\s+wrote:", Regexp::IGNORECASE),
      Regexp.new("^.*On.*(\n)?wrote:$", Regexp::IGNORECASE),
      Regexp.new("-+original\s+message-+\s*$", Regexp::IGNORECASE),
      Regexp.new("from:\s*$", Regexp::IGNORECASE)
    ]

    text_length = text.length
    #calculates the matching regex closest to top of page
    index = regex_arr.inject(text_length) do |min, regex|
        [(text.index(regex) || text_length), min].min
    end

    text[0, index].strip
end

এটি এখন পর্যন্ত বেশ ভাল কাজ হয়েছে।

Question 5

এটি করার সহজতম উপায় হ'ল আপনার সামগ্রীতে একটি মার্কার স্থাপন করা যেমন:

--- দয়া করে এই লাইনের উপরে উত্তর দিন ---

যেমন আপনার কোনও সন্দেহ লক্ষ্য করা যায় নি, উদ্ধৃত পাঠ্যকে আলাদা করে দেওয়া কোনও তুচ্ছ কাজ নয় কারণ বিভিন্ন ইমেল ক্লায়েন্ট বিভিন্ন উপায়ে পাঠ্য উদ্ধৃত করে। এই সমস্যাটি সঠিকভাবে সমাধান করার জন্য আপনাকে প্রতিটি ইমেল ক্লায়েন্টের জন্য অ্যাকাউন্ট এবং পরীক্ষা করতে হবে।

ফেসবুক এটি করতে পারে তবে আপনার প্রকল্পের বড় বাজেট না থাকলে আপনি সম্ভবত পারবেন না।

ওলেগ "13 জুলাই ২০১২, 13:09 এ, এক্সএক্সএক্স লিখেছেন:" রেগেক্সগুলি ব্যবহার করে সমস্যার সমাধান করেছেন text তবে, ব্যবহারকারী যদি এই পাঠ্যটি মুছে ফেলেন, বা ইমেলের নীচে জবাব দেয়, যেমন অনেকেই করেন, এই সমাধানটি কাজ করবে না।

অনুরূপভাবে যদি ইমেল ক্লায়েন্ট কোনও পৃথক তারিখের স্ট্রিং ব্যবহার করে বা একটি তারিখের স্ট্রিং অন্তর্ভুক্ত না করে তবে রেজেক্স ব্যর্থ হবে।

Question 6

কোনও ইমেলটিতে কোনও জবাবের সর্বজনীন সূচক নেই। আপনি যেটা করতে পারেন তা হ'ল আপনি যখন আসেন ততই সাধারণ এবং পার্সিংয়ের নতুন নকশাগুলি ধরার চেষ্টা করুন।

মনে রাখবেন যে কিছু লোক উদ্ধৃত পাঠ্যের ভিতরে উত্তরগুলি সন্নিবেশ করান (উদাহরণস্বরূপ আমার বস যেমন আমি তাদের জিজ্ঞাসা করেছি একই লাইনে প্রশ্নগুলির উত্তর দেয়) সুতরাং আপনি যা-ই করুন না কেন, আপনি রাখতে চান এমন কিছু তথ্য হারাতে পারেন।

Question 7

এখানে @ হুরশাগ্রওয়ালের রুবি কোডটির আমার সি # সংস্করণ। আমি রুবিকে সত্যিই ভাল জানি না তাই এটি বন্ধ হতে পারে তবে আমি মনে করি এটি ঠিক হয়ে গেছে।

public string ExtractReply(string text, string address)
{
    var regexes = new List<Regex>() { new Regex("From:\\s*" + Regex.Escape(address), RegexOptions.IgnoreCase),
                        new Regex("<" + Regex.Escape(address) + ">", RegexOptions.IgnoreCase),
                        new Regex(Regex.Escape(address) + "\\s+wrote:", RegexOptions.IgnoreCase),
                        new Regex("\\n.*On.*(\\r\\n)?wrote:\\r\\n", RegexOptions.IgnoreCase | RegexOptions.Multiline),
                        new Regex("-+original\\s+message-+\\s*$", RegexOptions.IgnoreCase),
                        new Regex("from:\\s*$", RegexOptions.IgnoreCase),
                        new Regex("^>.*$", RegexOptions.IgnoreCase | RegexOptions.Multiline)
                    };

    var index = text.Length;

    foreach(var regex in regexes){
        var match = regex.Match(text);

        if(match.Success && match.Index < index)
            index = match.Index;
    }

    return text.Substring(0, index).Trim();
}

Question 8

আপনি যদি আসল বার্তাটি নিয়ন্ত্রণ করেন (যেমন কোনও ওয়েব অ্যাপ্লিকেশন থেকে বিজ্ঞপ্তিগুলি) তবে আপনি আলাদা আলাদা, শনাক্তযোগ্য শিরোনাম স্থাপন করতে পারেন এবং এটি মূল পোস্টের জন্য ডিলিমিটার হিসাবে ব্যবহার করতে পারেন।

Question 9

এটি একটি ভাল সমাধান। এতক্ষণ অনুসন্ধান করার পরে এটি খুঁজে পেয়েছি।

একটি সংযোজন, যেমন উপরে বর্ণিত হয়েছে, এটি কেস ওয়াইস, সুতরাং উপরের অভিব্যক্তিগুলি আমার জিমেইল এবং দৃষ্টিভঙ্গি (২০১০) প্রতিক্রিয়াগুলিকে সঠিকভাবে পার্স করতে পারেনি, যার জন্য আমি নিম্নলিখিত দুটি রেজেক্স (গুলি) যুক্ত করেছি। আমাকে যেকোন সমস্যার জন্য জানতে দিন।

//Works for Gmail
new Regex("\\n.*On.*<(\\r\\n)?" + Regex.Escape(address) + "(\\r\\n)?>", RegexOptions.IgnoreCase),
//Works for Outlook 2010
new Regex("From:.*" + Regex.Escape(address), RegexOptions.IgnoreCase),

চিয়ার্স

Question 10

এটি পুরানো পোস্ট, তবে, আপনি যদি সচেতন হন তবে গিথুবকে উত্তরটি বের করার জন্য একটি রুবি লিবি আছে কিনা তা নিশ্চিত নয় । আপনি যদি নেট ব্যবহার করেন তবে https://github.com/EricJWHuang/EmailReplyParser এ আমার একটি নেট নেট আছে

Question 11

আপনি যদি সিগপারসার ডটকমের এপিআই ব্যবহার করেন তবে এটি আপনাকে একটি একক ইমেল পাঠ্য স্ট্রিংয়ের উত্তর চেইনে সমস্ত ভাঙ্গা ইমেলের একটি অ্যারে দেবে। সুতরাং যদি 10 টি ইমেল থাকে তবে আপনি 10 টি ইমেলের জন্য পাঠ্য পাবেন।

আপনি এখানে বিশদ এপিআই স্পেস দেখতে পারেন।

https://api.sigparser.com/