邮件信息抽取

公司的一个项目，首先须要过滤一下邮件
邮件的主要内容就是应聘信息
固然会产生不少的垃圾邮件，好比智联招聘发的广告、猎头邮件和网易广告等
这里首先要过滤一下邮件，把没有用处的垃圾邮件过滤掉

本着先易后难的原则，首先使用简单的过滤方法
简单的说就是根据标题中的关键词，发件人邮箱来过滤邮件
这样的过滤方法其实过滤的准确性仍是挺高的

固然啦，准确率和召回率可能仍是要差一点的

通过初步过滤以后，接下来要作的就是信息的抽取

这个东西难度较大，
抽取的东西有地址、人名、公司名、职位、联系方式等
机器识别毕竟没法达到人类的高度

本次开发中主要使用python来作，这里写一下python项目须要注意的问题

一、不要滥用try ... except .....

感受这个问题很严重，若是滥用，并且还没处理好的话，出了问题根   
 本就没法调试，返回错误若是不对的话根本就没法追踪

二、要注意编码问题

在使用python处理中文的时候，编码问题是格外重要，不过python的
 编码仍是比较简单，我遇到的有gbk、gb18030、gb23十二、utf8这几
 种使用的时候统一转为utf8比较方便

三、时间的处理

这个仍是比较麻烦的，邮件中的时间都是字符串类型，关键是要知道
 怎么去转化，例如：
 Wed, 2 Mar 2016 14:31:24 +0800 (CST)
 这里面的Wed, 2 Mar 2016 14:31:24部分，能够经过如下方式来作
 time.strptime('Wed, 2 Mar 2016 14:31:24', '%a,%d %b %Y %H:%M:%S')
 这样也能生成一个time的对象
 缺点就是须要截取一部分，并且不知道时间格式是否会变化，若是变化的话那也是要出问题的
 
 这里面email模块提供了一个解析的方法
 from email import utils
 utils.mktime_tz(utils.parsedate_tz(timestr))
 这样返回的是时间戳，而后再用
 time.localtime(stamptime)
 就能够返回正常的时间格式了
 其实email的utils方法提供了不少的解析邮件的方法，好比：
 utils.parseaddr()就能够把msg.get('From')里面的内容解析成邮箱