郵件信息抽取

公司的一個項目，首先須要過濾一下郵件
郵件的主要內容就是應聘信息
固然會產生不少的垃圾郵件，好比智聯招聘發的廣告、獵頭郵件和網易廣告等
這裏首先要過濾一下郵件，把沒有用處的垃圾郵件過濾掉

本着先易後難的原則，首先使用簡單的過濾方法
簡單的說就是根據標題中的關鍵詞，發件人郵箱來過濾郵件
這樣的過濾方法其實過濾的準確性仍是挺高的

固然啦，準確率和召回率可能仍是要差一點的

通過初步過濾以後，接下來要作的就是信息的抽取

這個東西難度較大，
抽取的東西有地址、人名、公司名、職位、聯繫方式等
機器識別畢竟沒法達到人類的高度

本次開發中主要使用python來作，這裏寫一下python項目須要注意的問題

一、不要濫用try ... except .....

感受這個問題很嚴重，若是濫用，並且還沒處理好的話，出了問題根   
 本就沒法調試，返回錯誤若是不對的話根本就沒法追蹤

二、要注意編碼問題

在使用python處理中文的時候，編碼問題是格外重要，不過python的
 編碼仍是比較簡單，我遇到的有gbk、gb18030、gb23十二、utf8這幾
 種使用的時候統一轉爲utf8比較方便

三、時間的處理

這個仍是比較麻煩的，郵件中的時間都是字符串類型，關鍵是要知道
 怎麼去轉化，例如：
 Wed, 2 Mar 2016 14:31:24 +0800 (CST)
 這裏面的Wed, 2 Mar 2016 14:31:24部分，能夠經過如下方式來作
 time.strptime('Wed, 2 Mar 2016 14:31:24', '%a,%d %b %Y %H:%M:%S')
 這樣也能生成一個time的對象
 缺點就是須要截取一部分，並且不知道時間格式是否會變化，若是變化的話那也是要出問題的
 
 這裏面email模塊提供了一個解析的方法
 from email import utils
 utils.mktime_tz(utils.parsedate_tz(timestr))
 這樣返回的是時間戳，而後再用
 time.localtime(stamptime)
 就能夠返回正常的時間格式了
 其實email的utils方法提供了不少的解析郵件的方法，好比：
 utils.parseaddr()就能夠把msg.get('From')裏面的內容解析成郵箱