如何解析EML（邮件）格式的文件以及一款小巧的EML邮件阅读工具

Posted 2022-03-26 一只会铲史的猫

在理解EML格式的时候，先回顾一下历史，这样有助于理解邮件的格式，比如邮件传输时为何会有多种编码方式。此外，理解EML格式也有助于理解HTTP协议。

历史溯源

由于历史原因，我们目前看到的大部分的网络协议都是基于ASCII码这种纯文本方式，也就是基于字符串的命令行方式，比如HTTP、FTP、POP3、SMTP、TELNET等。
 
早期操作系统比如Unix或DOS没有图形界面，用户与电脑之间只能通过控制台进行交互，也就是通过键盘将命令（或请求）输入到电脑，当用户回车换行（\\r\\n）时，表示命令输入完毕。如果存在网络通信，则该命令包括用户敲击的回车换行会一并发送到服务器端，服务器端接收数据时，就会以回车换行来界定一条完整的命令是否获取完毕，否则会继续等待直到接收到"\\r\\n"或超时，当请求接收完毕后，服务端会执行该请求并将响应结果返回给客户端。
 
理解这一点非常重要，这就是为什么很多网络应用层协议都是以"\\r\\n"来作为结束标记。对于多行请求时，通常以两个连续的回车换行表示请求结束，也就是"\\r\\n\\r\\n"，直观的用肉眼观察就是存在一个空行。
比如HTTP协议，与主机建立连接后，输入"GET / HTTP/1.1\\r\\n\\r\\n"即可获取网站的主页。

 
回到Email协议（SMTP和POP3），早期的电子邮件只支持ASCII码这种纯文本传输方式，但随着全世界人民对物质文化生活的不断向往，这种落后的传输方式，已经无法满足世界人民对美好生活的追求，比如图像、视频、音频、Office文件如何在邮件中展现？不同国家（非英语国家）字符集该如何传输和展现？
换句话说，就是这种非ASCII的二进制富文本，该如何传输和呈现？

MIME的诞生

此时MIME标准诞生了，MIME的出现更多的是一种向下兼容的无奈，而不是革命。通过对二进制数据或非ASCII码数据进行base64或quoted-printable编码，来实现纯ASCII码的传输。显然这种方式会让你的邮件体变大，传输效率下降。尤其附件很多时，通过MIME的boundary来解析邮件的附件也是一笔额外的负担。

同时MIME的标准也被HTTP协议所采用，我们可以通过content-type字段指定传输的内容是什么类型，通过MIME的boundary来对Form-Data数据进行扩展，让我们在POST数据时也能够在“表格”数据中插入文件，从而达到上传文件的效果。
 
下面是一个EML格式的文件截图，该截图是一个邮件头，该邮件头包含几个重要字段，Subject（主题），From（发件人）To（接收人），Cc（抄送人），Date（发送日期）。
其中一个最重要的字段就是Content-Type。只有解析了Content-type字段我们才能准确的将邮件体给解析并展现出来。

通过上图我们可以观察到该邮件的内容是一个混合类型，由多个部分组成，Content-type字段中的boundary被用来分割不同的部分。下图显示的是一个邮件的附件文件，该文件类型为pdf。
 

boundary的前缀加上"--"表示新的邮件内容的开始，紧接着为几行MIME头，仔细观察MIME头则会发现，这些字段其实和HTTP协议的头的字段是相同的。空行后则是具体的邮件内容，这些邮件内容的传输编码方式有两种：一种是base64，一种是quoted-printale，当然也可能是未编码。通常情况下，采用quoted-printable方式对html（邮件正文）进行编码，而对于附件文件（比如二进制文件），则采用base64进行编码。
邮件的正文可能有两个：一个是HTML格式，一个是Plain格式。为什么会有两个格式的正文？其实这两个格式展现出来的内容都是一样的，这样做的目的是为了客户端的兼容，早期的的邮件客户端可能无法显示HTML格式，或者对HTML格式的兼容性不是很好，当然喽这也是历史原因造成的。现在的邮件客户端都能显示HTML的正文了。
当邮件结束时，是以"--"+boundary+"--"来标记，也就是给boundary加上前缀"--"和后缀"--"。
通过对MIME格式的分析我们可以看到解析Content-type字段很重要，通过提取boundary并循环查找，就可以解析出不同的邮件体，从而将一封EML格式的电子邮件展现出来。
最后注意一点： MIME头中字符串采用特有的简洁的编码方式，将字符集和编码方式集成到了一起，以"=?"开始，以"?="结束。"=?"后为字符集，紧接着"?"后表示编码方式。B（b）为base64编码，Q（q）为quoted-printable编码。如下图：

 
附：一款小巧的EML邮件阅读工具（不到300K）