PHP Mailparse 阻塞非 ASCII 字符

Posted 2023-03-15

【中文标题】PHP Mailparse 阻塞非 ASCII 字符

【英文标题】：PHP Mailparse chokes on non-ascii characters

【发布时间】：2014-12-16 00:10:57

【问题描述】：

我正在使用 Mailparse 解析电子邮件并将其存储在 mysql 数据库中。电子邮件直接通过管道传输到 php 脚本。超过 99% 的系统电子邮件都被正确解析。但是，我注意到一些电子邮件被截断了。问题似乎是邮件标题和正文之间的 unicode 字符...

Delivered-To: [e-mail]
Received: by 10.152.1.193 with SMTP id 1csp311490lao;
        Mon, 20 Oct 2014 05:33:31 -0700 (PDT)
Return-Path: <[e-mail]>
Received: from vps4596.inmotionhosting.com (vps4596.inmotionhosting.com. [74.124.217.238])
        by mx.google.com with ESMTPS id fb7si7786786pab.30.2014.10.20.05.33.30
        for <[e-mail]>
        (version=TLSv1 cipher=RC4-SHA bits=128/128);
        Mon, 20 Oct 2014 05:33:30 -0700 (PDT)
Message-ID: <14FBD481E1074C79A706F0C071746F3D@acerDator>
From: =?utf-8?Q?Annelen_geretschl=C3=A4ger?= <[e-mail]>
To: "neokio" <[e-mail]>
References: <CAEMnOreG=99=qx-ONib=[e-mail]>
In-Reply-To: <CAEMnOreG=99=qx-ONib=[e-mail]>
Subject: This message will be broken
Date: Mon, 20 Oct 2014 14:33:24 +0200
MIME-Version: 1.0
Content-Type: multipart/alternative;
    boundary="----=_NextPart_000_0018_01CFEC72.CE424470"
X-Priority: 3
X-MSMail-Priority: Normal
Importance: Normal
X-Mailer: Microsoft Windows Live Mail 14.0.8117.416
X-MimeOLE: Produced By Microsoft MimeOLE V14.0.8117.416
X-Source: 
X-Source-Args: 
X-Source-Dir: 

Det här är ett flerdelat meddelande i MIME-format.

------=_NextPart_000_0018_01CFEC72.CE424470
Content-Type: text/plain;
    charset="utf-8"
Content-Transfer-Encoding: quoted-printable

This is a test ... the above "Det här är" chunk will be cut off at "Det h", and nothing else will arrive.

------=_NextPart_000_0018_01CFEC72.CE424470

上面的内容将在标题之后被裁剪，到达的只是“Det h”。不知何故，当非 ascii 字符 (ü) 位于标头或多部分包装器之外时，它们会导致 mailparse 阻塞。这可能是客户端使用的 5 年前的瑞典版 Microsoft Windows Live Mail，弄乱了标题等，但这不是借口，我需要能够接收它。

我正在运行 PHP 5.4.30，它在 php.ini 中有 default_charset = "utf-8"。但我注意到phpinfo() 默认有mailparse.def_charset = "us-ascii"，即使 php.ini 中没有配置它。添加该行并将其设置为“utf8”后，phpinfo() 正确显示了 utf-8。但是错误仍然存​​在。我没有想法。

关于如何处理这个错误有什么建议吗？

【问题讨论】：

嗯，很有趣。我还在编写一个邮件列表引擎，它使用mailparse 解析源代码。是的，它在那个地方窒息了..也会尝试找到解决方案）

我有一个问题 - 你从哪里得到的信息？它不符合标准，因为 quoted-printable 文本的版本应该是 This is a test ... the above "Det h=C3=A4r =C3=A4r" chunk will be cut off at "Det h", and nothing else will arrive. - 试试它而不是你的字符串。

是的，输出说明相同 - Warning: mailparse_msg_extract_part() - filter conversion failed. Input message is probably incorrectly encoded。您可以根据每个部分的mailparse_msg_get_part_data 标题中的数据直接从文件中提取正文，但您必须自己解码。

您对编码是正确的，我只是在其中添加了它作为参考问题的注释。正如你所指出的那样：)我在这里仍然不知所措。在我看来，解析器的工作是更加容忍格式错误的 MIME 结构，尤其是像 unicode 变体这样简单的东西。这确实只发生在收到的电子邮件中的一小部分……那些使用有问题的电子邮件客户端（在这种情况下为 Microsoft Windows Live）的电子邮件。但它仍然太高而无法忽视。我很高兴你看到了错误，这告诉我这不是我的实现有问题:)

唯一的方法可能是按原样提取消息部分的内容（这很容易），如果设置了相应的编码，则使用 quoted_printable_decode 函数 - 它不关心与编码。

【参考方案1】：

只是我在cmets中提到的一个想法...这部分与message的部分有关。如果由于某种原因解码失败，则内容将“按原样”返回。您可以尝试根据$headers['transfer-encoding']; 对其进行解码或保持不变。 $email 是带有标头的完整消息源。 $section是mailparse_msg_get_part获取的数据（manual, examples, google）

$headers = mailparse_msg_get_part_data($section);
$content = '';

set_error_handler(function() use(&$content, $headers, $email)
     $start   = $headers['starting-pos-body'];
     $end     = $headers['ending-pos-body'];
     $content = substr($email, $start, $end - $start);
);

ob_start();
mailparse_msg_extract_part($section, $email);
$body = ob_get_clean();

restore_error_handler();

if (!empty($content)) $body = $content;

结果（经过一些操作，因为我只留下了我真正需要的标题）

["charset"]=>
string(5) "utf-8"
["content-charset"]=>
string(5) "utf-8"
["content-type"]=>
string(10) "text/plain"
["content"]=>
string(108) "This is a test ... the above "Det här är" chunk will be cut off at "Det h", and nothing else will arrive. "