处理自动换行的电子邮件（Content-Type: text/plain）

Question

我正在尝试将电子邮件处理到我的应用程序中，一切都很顺利，直到我收到一个用户的电子邮件，其邮件服务器强制执行邮件文本的自动换行。我知道自动换行是RFC规范的一部分，所以我只是在寻找处理它的最佳方式，以获得漂亮的显示消息。

原始电子邮件：

这里是我的主要问题。当我发送一条消息时，文本被奇怪地分开了。它几乎看起来像消息本身已经破裂了。但我不确定为什么会这样，因为我的原始电子邮件看起来根本不像那样。

接收到的电子邮件如下（使用CRLF来标记邮件服务器插入它们的位置）：

这里是我的主要问题。当我发送一条消息时，文本被奇怪地分开了。它几乎看起来像消息本身已经破裂了。但我不确定为什么会这样，因为我的原始电子邮件看起来根本不像那样。

我的处理代码运行以下步骤，然后将结果插入数据库。

$dirty_string = nl2br($dirty_string);
$config = HTMLPurifier_Config::createDefault();
$config->set('AutoFormat.RemoveEmpty', 'true');
$config->set('AutoFormat.RemoveEmpty.RemoveNbsp', 'true');
$config->set('HTML.Allowed', 'a[href],br,p');
$purifier = new HTMLPurifier($config);
$clean_string = $purifier->purify($dirty_string);

以下是显示的结果。如果我的页面上的div不够宽，浏览器会自动换行，但是nl2br()中的换行符会导致下一行很短。

以下是我的主要问题。当我发送电子邮件时，文本会被奇怪地分割。它几乎看起来像消息本身已经损坏了。我不确定为什么会这样，因为我的原始电子邮件与此完全不同。

我想也许我可以将双CRLF更改为新段落，并删除所有单个CRLF以将行连接到一个单一的行中，这样word-wrap就可以正确显示。但是，如果有人在电子邮件中发布以下项目列表，那么该列表将会中断。

这是我的列表 - 项目1 - 项目2 等等...

非常感谢您的帮助。

- Matt D.

---

你提到的RFC规范是否也给出了每行的宽度？ - ErJab

是的，http://www.ietf.org/rfc/rfc2822.txt。该规范指出，行的长度不应超过78个字符。但实际上并不那么容易，因为您还需考虑邮件服务器不会在单词中间截断一行的情况。 - Matt D.

Answer 1

邮件解析可能是一个看似简单，但实际上充满了奇怪边缘情况的问题的典型例子。然而，这并不是一个新问题，因此有很多现有的解决方案可以很好地工作。一些选项：

• Plancake
• MailParse
• PHP Mime Mail Parser（它包装了MailParse）
• 等等。

也许你已经编写了一个很棒的解析器，只需要这一个小改变就能完美解决问题，但更有可能的是，使用已经存在的工具来完成工作会为你节省大量时间和心力。

- blahdiblah

---

你个人使用过这些中的任何一个吗？或者你会推荐其中一个吗？它们中没有一个看起来过于复杂。 - Matt D.

@MatthewDevine 我对这些中没有特别的推荐，我的电子邮件往来大多不是用 PHP。 - blahdiblah

我使用了MailParse并取得了很好的结果。强烈推荐它。 - Christian Riesen

为了回答这个问题，请跳过Plancake：它可以很好地解析电子邮件正文，但问题行的换行符仍然完全保留。 - John Larson

哎呀——PHP Mime Mail Parser 在解析纯文本时也无法删除有问题的换行符！而且由于它包装了 MailParse，我认为这对手头的问题也没有帮助。也许一些启发式的技巧是解决问题的方法？我现在考虑解析 HTML 正文并在 <br> 上分割以获取真正的行，PHP Mime Mail Parser 和 Plancake 都似乎做得很好。 - John Larson

Answer 2

这样怎么样：对于任何一行，如果其下一行包含单词且不以空格字符开头（例如列表中的缩进），则检查该行的长度是否在65到80个字符之间。如果是，则删除尾随的CR（如果行尾不包含空格或标点符号，则添加一个空格）。这将解决大多数换行问题，并保留大多数列表的格式。

- Aerik

---

如果您有更好的想法，我很乐意听取！ - Aerik

这种解决方案更像是最后的努力。这样的解决方案会迫使不断进行微调。我知道你永远无法达到100％，但仍然如此。 - Matt D.

我认为没有人真正解决了这个问题，所以我坚持我的原始答案。我相信没有真正干净的解决方案。 - Aerik

Answer 3

你可以尝试使用TinyMCE编辑器来查看电子邮件消息。它会正确地格式化它。我曾经使用TinyMCE几次输入数据并将其保存到数据库中，每次在检索数据后都能正确地显示它，无论格式有多奇怪。

- stan

---

TinyMCE 需要用户交互吗？这个处理过程将全部自动化。 - Matt D.

我介绍TinyMCE的原因是它可以为您完成所有格式设置，而无需您处理任何内容（除了为基本XSS保护转义HTML之外）。我不理解您的评论，因为您说有人会“查看”电子邮件。那不是用户交互吗？ - stan

该消息也会通过电子邮件发送给用户。 - Matt D.

Answer 4

这样的黑客攻击怎么样：删除任何78的倍数位置上的CLRF字符，（+再加5个字符来解决这个问题：邮件服务器不会在单词中间截断一行）。

因此，您应该查找这些位置的CLRF字符：

• 78 或 79 或 80 或 81 或 82 或 83 并且
• 156 或 157 或 158 或 159 或 160 或 161 并且
• 以此类推。

当然，这是基于最长的单词长度为5个字符。您应该根据需要解析的电子邮件进行调整。

- ErJab

Answer 5

这是一个非常好的完成任务的函数：

function PlaintextEmailBrokenLineCombine($lineSet, $startIndex = 0) {
    $result = '';
    $lineCount = count($lineSet);
    for($i=$startIndex; $i < $lineCount; $i++) {
        $thisLine = $lineSet[$i];
        $nextLine = ($i < $lineCount-1 ? $lineSet[$i+1] : '');
        $nextLineFirstWord = substr($nextLine, 0, strpos($nextLine, ' '));

        $lineSeparator = "\n"; // we assume until we detect invocation of the 78char rule
        if(strlen($thisLine) + strlen($nextLineFirstWord) + 1 > 75) {
            // A line break was PROBABLY put in here where a space once was, so switch back:
            $lineSeparator = ' ';
        }
        $result .= $thisLine . ($i == $lineCount-1 ? '' : $lineSeparator); // no separator for the last line
    }
    return $result;
}

这有点玄学，因为它期望从纯文本电子邮件中返回一系列行。以下是用法：

$Parser = new MimeMailParser();
$Parser->setText($rawEmailText); 
$plaintext = $Parser->getMessageBody('text'); // or however you get it, many ways
$lineSet = explode("\n", $plaintext);
$niceText = PlaintextEmailBrokenLineCombine($lineSet);

$niceText是你想要的：它是一种相当准确的方法，可以获取你想要的文本，并去除那些讨厌的服务器添加的换行符，并用原始空格替换。

- John Larson