如何在Python中导入.msg文件以及本地目录中的附件

Question

我正在开发一个Outlook电子邮件自动化任务，我将Outlook的.msg电子邮件文件存储在目录中。我的任务是从.msg文件中提取信息（电子邮件正文，附件文本等）并运行NLP对它们进行分类。到目前为止，我使用了https://pypi.org/project/extract-msg/和https://github.com/mattgwwalker/msg-extractor中的extract_msg。我能够提取邮件正文，但我面临的下一个挑战是：

1. 如何从pdf，文本文件等附件中提取文本？
2. 如何阅读多部分电子邮件（带有回复痕迹的电子邮件）？

在编写我自己的问题之前，我从多个线程中读取了答案，但大多数答案都与直接从Outlook.exe中提取电子邮件有关但是我不需要从Outlook中提取信息而是将Outlook消息存储在本地目录中.msg文件。

到目前为止我的进展是：

import extract_msg
import pandas as pd
import os

direct = os.getcwd() # directory object to be passed to the function for accessing emails

ext = '.msg' # type of files in the folder to be read

def DataImporter(directory, extension):
    my_list = []
    for i in os.listdir(direct):
        if i.endswith(ext):
            msg = extract_msg.Message(i)
            my_list.append([msg.filename,msg.sender,msg.to, msg.date, msg.subject, msg.body])
            global df
            df = pd.DataFrame(my_list, columns = ['File Name','From','To','Date','Subject','MailBody Text'])
    print(df.shape[0],' rows imported')

DataImporter(direct,ext)

而要求是这样的：

Mail Body ='这是一个示例电子邮件正文'。

附件='Invoice123'

附件文字='您的发票已准备好处理'

有这样的东西，任何帮助将不胜感激，如果需要进一步的信息，请告诉我。

编辑：如果您知道可用于完成此任务的任何其他包，请发表评论。

Answer 1

在Outlook对象模型中，使用Application.Session.OpenSharedItem：传递完全限定的MSG文件名并返回MailItem对象。

Answer 2

发布适合我的解决方案（由Amey P Naik提出）。如上所述，我尝试了多个模块，但只有extract_msg适用于该案例。我创建了两个函数，用于将Outlook消息文本和附件作为Pandas DataFrame导入，第一个函数将为电子邮件消息创建一个文件夹，第二个函数将数据从消息导入到dataframe。需要在父目录中的子目录上使用for循环单独处理附件。以下是我用评论创建的两个函数：

# 1). Import the required modules and setup working directory

import extract_msg
import os
import pandas as pd
direct = os.getcwd() # directory object to be passed to the function for accessing emails, this is where you will store all .msg files
ext = '.msg' #type of files in the folder to be read

# 2). Create separate folder by email name and extract data 

def content_extraction(directory,extension):
    for mail in os.listdir(directory):
        try:
            if mail.endswith(extension):
                msg = extract_msg.Message(mail) #This will create a local 'msg' object for each email in direcory
                msg.save() #This will create a separate folder for each email inside the parent folder and save a text file with email body content, also it will download all attachments inside this folder.            
        except(UnicodeEncodeError,AttributeError,TypeError) as e:
            pass # Using this as some emails are not processed due to different formats like, emails sent by mobile.

content_extraction(direct,ext)

#3).Import the data to Python DataFrame using the extract_msg module
#note this will not import data from the sub-folders inside the parent directory 
#rather it will extract the information from .msg files, you can use a loop instead 
#to directly import data from the files saved on sub-folders.

def DataImporter(directory, extension):
    my_list = []
    for i in os.listdir(direct):
        try:
            if i.endswith(ext):
                msg = extract_msg.Message(i)
                my_list.append([msg.filename,msg.sender,msg.to, msg.date, msg.subject, msg.body, msg.message_id]) #These are in-built features of '**extract_msg.Message**' class
                global df
                df = pd.DataFrame(my_list, columns = ['File Name','From','To','Date','Subject','MailBody Text','Message ID'])
                print(df.shape[0],' rows imported')
        except(UnicodeEncodeError,AttributeError,TypeError) as e:
            pass

DataImporter(direct,ext)

运行这两个函数后，您将拥有Pandas DataFrame中的几乎所有信息，您可以根据需要使用它们。如果还需要从附件中提取内容，则需要为父目录中的所有子目录创建一个循环，以按照其格式读取附件文件，就像我的情况一样，格式为.pdf，.jpg，.png从这些格式获取数据将需要不同的技术，例如从pdf获取数据，您将需要Pytesseract OCR模块。

如果您发现从附件中提取内容的简便方法，请在此处发布您的解决方案以供将来参考，如果您有任何疑问，请发表评论。如果上述代码有任何改进，请随时突出显示。