C# 多行多列电子邮件阅读器提取器

Posted

技术标签:

【中文标题】C# 多行多列电子邮件阅读器提取器【英文标题】:C# Multi line and multi column email reader extractor 【发布时间】:2020-02-01 20:24:32 【问题描述】:

所以我用 C# 制作了一个控制台应用程序,它将读取电子邮件并从中提取数据。

在一些帮助下,我已经将它带到了一个可以成对读取列的阶段,但是一旦我到达电子邮件的底部(可能比这两行还要多),它就无法将其分解。

这是我尝试过的:

using System;
using System.Text.RegularExpressions;
using System.Collections.Generic;

namespace Multiline_Email_Test

// <summary>
/// Console app to test the reading of the multiline email.
/// If successful readback is shown we could import to SQL Server.
/// </summary>
public class Program

    public static void Main()
    
        string email = @"NOTIFICATION OF MOVEMENT STARTING IN AUGUST

Consignor Package ID                              Local Reference Number
-------------------                              ----------------------
GRLK123450012                                         123456

Place Of dispatch                                Guarantor type code
-----------------                                -------------------
GR00001234567                                          1

Consignee Package ID                              Guarantor details
-----------------                                -------------------
RR001239E0070

Place Of delivery                                Date of dispatch DD MM YYYY
-----------------                                ---------------------------
FR001379E0570                                    21 03 2019

                                                 Time of dispatch
                                                 ----------------
                                                 08:29

                                                Vehicle registration number
                                               ---------------------------
                                               XXBB12345678

Item number   Package Product CN CodeCode    Quantity       Brand
-----------   -------------------------     --------       -----
Line 1 of 2   B000           22040009       7603.200       Guinness DIC    440ml CAN 06X04 MDCES
Line 2 of 2   B000           22040009       14636.160      Guinness DIC    440ml CAN 06X04 MDCES

";



var dict = new Dictionary<string, string>();
        try
        
            var lines = email.Split(Environment.NewLine.ToCharArray(), StringSplitOptions.RemoveEmptyEntries);
            int starts = 0, end = 0, length = 0;
            while (!lines[starts + 1].StartsWith("-"))
                starts++;
            for (int i = starts + 1; i < lines.Length; i += 3)
            
                var mc = Regex.Matches(lines[i], @"(?:^| )-");
                foreach (Match m in mc)
                
                    int start = m.Value.StartsWith(" ") ? m.Index + 1 : m.Index;
                    end = start;
                    while (lines[i][end++] == '-' && end < lines[i].Length)
                        ;
                    length = Math.Min(end - start, lines[i - 1].Length - start);
                    string key = length > 0 ? lines[i - 1].Substring(start, length).Trim() : "";
                    end = start;
                    while (lines[i][end++] == '-' && end < lines[i].Length)
                        ;
                    length = Math.Min(end - start, lines[i + 1].Length - start);
                    string value = length > 0 ? lines[i + 1].Substring(start, length).Trim() : "";
                    dict.Add(key, value);
                
            
        
        catch (Exception ex)
        
            throw new Exception(ex.ToString());
        

        foreach (var x in dict)
            Console.WriteLine("0 : 1", x.Key, x.Value);
       
   

我在这里用 .net fiddle 创建了一个现场演示 https://dotnetfiddle.net/6nMO2c

【问题讨论】:

您的代码完全按照您的要求执行。您只能读取虚线下方的值,而底线不是,因此不会读取。如果你想理解这封电子邮件,你需要一个不同的策略。 如何让它匹配“项目编号”并以不同的方式读取六列? 我认为需要更多信息。是否可以读取固定列?标题和虚线无论如何都不适合。 “麸皮”被严重截断,并且标题中不存在大肠杆菌(我认为是)列。 当然,标题可以移动,因此固定列是不可能的,如果数据较长,则会出现从左到右的截断和移动,这就是为什么我认为 Regex Match 无论如何都会找到它的原因。 注意。你确定Dictionary&lt;string, string&gt; 是正确的数据结构吗?第一个项目行的数据不会被第二个项目行的数据覆盖吗?也许考虑List&lt;KeyValuePair&lt;string, string&gt;&gt; 【参考方案1】:

关于文档的标题值,您的代码似乎可以正常工作,但只是为了好玩,我找到了一个可以完成这项工作的正则表达式。 那我也回答一下关于表格数据的问题。

        int textArrayPosition = 0; // Just to separate the header part and the table part
        var headersDictionary = new Dictionary<string, string>();
        List<string> arrayHeaders;
        List<List<string>> arrayData = new List<List<string>>();
        var headersFinder = new Regex(@"^(.*?) 2,(.*)\r\n\-*? 2,\-*\r\n(.*?)( 2,(.*)|$)", RegexOptions.Multiline);

        foreach (Match match in headersFinder.Matches(inputText))
        
            if (match.Groups.Count < 4)
                continue;

            var firstHeaderName = match.Groups[1].Value;
            var secondHeaderName = match.Groups[2].Value;

            if (!string.IsNullOrWhiteSpace(firstHeaderName))
                headersDictionary.Add(firstHeaderName, match.Groups[3].Value);

            if (!string.IsNullOrWhiteSpace(secondHeaderName))
            
                if (match.Groups.Count == 6)
                    headersDictionary.Add(secondHeaderName, match.Groups[5].Value);
                else
                    headersDictionary.Add(secondHeaderName, string.Empty);
            

            textArrayPosition = match.Index + match.Length;
        

        Console.WriteLine("*** Document headers :");
        foreach (var entry in headersDictionary)
            Console.WriteLine($"entry.Key = entry.Value");

然后,我们在您的文本中找到表格作为行列表。

 var arrayLines = inputText.Substring(textArrayPosition).Split(new string[]  "\n", "\r" , StringSplitOptions.RemoveEmptyEntries);

因此,我们对待表格:由于表格的标题不允许分隔列,我基于在第一行数据中找到至少2个连续空格的事实能够猜测位置的列。一个简单的正则表达式可以帮助我们做到这一点。

        if (arrayLines.Length > 2)
        
            var arrayColsPositions = new List<int>();

            // Find cols positions
            arrayColsPositions.Add(0);
            var firstDataLine = arrayLines[2];
            var columnsPositionDetector = new Regex(@" 2,", RegexOptions.Singleline);
            foreach (Match match in columnsPositionDetector.Matches(firstDataLine))
            
                arrayColsPositions.Add(match.Index + match.Length);
            

            // Find headers
            arrayHeaders = ReadLineValues(arrayLines[0], arrayColsPositions).ToList();
            // Find data lines
            for (int lineId = 2; lineId < arrayLines.Length; lineId++)
            
                arrayData.Add(ReadLineValues(arrayLines[lineId], arrayColsPositions).ToList());
            

            Console.WriteLine("\n*** Array headers :");
            Console.WriteLine(string.Join(", ", arrayHeaders));

            Console.WriteLine("\n*** Array lines data :");
            foreach (var record in arrayData)
            
                Console.WriteLine(string.Join(", ", record));
            
        
        else
            Console.WriteLine("The array is empty.");

最后,这是我开发的一个小实用方法,用于在不超过某些行的长度的情况下很好地搜索正确位置的数据。

    private static IEnumerable<string> ReadLineValues(string sourceLine, List<int> colsPositions)
    
        for (int colId = 0; colId < colsPositions.Count; colId++)
        
            var start = colsPositions[colId];
            int length;
            if (colId < colsPositions.Count - 1)
                length = colsPositions[colId + 1] - start;
            else
                length = sourceLine.Length - start;

            if (start < sourceLine.Length)
            
                if (start + length > sourceLine.Length)
                    length = sourceLine.Length - start;

                yield return sourceLine.Substring(start, length).Trim();
            
        
    

【讨论】:

谢谢,我使用 Regex 和 Substring 方法逐行拆分为两列,直到将项目编号作为关键字并从每一列中修剪和空格,尽管我有很多条件 if也会试试这个

以上是关于C# 多行多列电子邮件阅读器提取器的主要内容,如果未能解决你的问题,请参考以下文章

在pandas中提取包含多行和多列的JSON字符串列的部分

在 C# 中阅读 MS Exchange 电子邮件

C#将查询返回的数据(一行多列)怎么转换成一列多行dataTable?

从标题中提取特征的垃圾邮件分类

如何让C#中listview控件显示多行多列数据?

尝试在 C# 中连接到 Excel 电子表格