Любой умный способ или пакет в R для извлечения почтовых тел из электронных писем? - PullRequest
Новая
       13

Любой умный способ или пакет в R для извлечения почтовых тел из электронных писем?

0 голосов
/ 24 октября 2019

У меня есть фрейм данных, включая один столбец электронных писем. Одно значение в этом столбце - цепочка электронной почты. Например, один из них:

формат html: 

 <p>Dear aaa,</p> \r\n
  <p>&nbsp;</p> \r\n
  <p>this is mail body from mail 1. <br /><br /><br />Regards </p>\r\n
  <p> </p>\r\n
  <p> </p>\r\n
  <div></div>\r\n
  <div>
   <br />
   <br />
   <br />
  </div>\r\n
  <div align="left">
   \r\n
   <hr />\r\n
   <font face="Tahoma" size="1"><b>From:</b> aaa <br /><b>Sent:</b> 5/12/2007 01:31:52 PM GST (GMT +04:00)<br /><b>To:</b> bbb <b>:</b> ccc, ddd, eee <br /><b>Mail Number:</b> 111 <br /><b>Subject:</b> xxxxxxx </font>
   <br />
   <br />
   <br />
  </div>\r\n
  <p>aaa, </p>\r\n
  <p>&nbsp;</p>\r\n
  <p>this is mail body from mail 2</p>\r\n
  <p>&nbsp;</p>\r\n
  <p>Regards, </p>\r\n
  <p>&nbsp;</p>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <strong><span style="\&quot;FONT-SIZE:" 14pt;="" color:="" #3366ff;="" font-family:="" 'viner="" hand="" itc'\"="">aaa</span></strong>
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <b><span style="\&quot;FONT-SIZE:" 10pt;="" color:="" #17365d;="" font-family:="" verdana\"="">Logistics Manager</span></b>
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <b><span style="\&quot;FONT-SIZE:" 10pt;="" color:="" #17365d;="" font-family:="" verdana\"="">Project Services</span></b>
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   &nbsp;
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <b><span style="\&quot;COLOR:" gray;="" font-family:="" verdana\"="">aaa</span></b>
   <b><span style="\&quot;COLOR:" #999999;="" font-family:="" verdana\"=""> bbb </span></b>
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <span style="\&quot;FONT-SIZE:" 8pt;="" color:="" #17365d;="" font-family:="" verdana\"="">P.O. Box: 111</span>
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <span style="\&quot;FONT-SIZE:" 8pt;="" color:="" #17365d;="" font-family:="" verdana\"="">The Project</span>
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <span style="\&quot;FONT-SIZE:" 8pt;="" color:="" #17365d;="" font-family:="" verdana\"="">country name</span>
   <span style="\&quot;FONT-SIZE:" 8pt;="" color:="" #17365d;="" font-family:="" verdana\"="">, country name</span>
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   &nbsp;
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <span style="\&quot;FONT-SIZE:" 8pt;="" color:="" #17365d;="" font-family:="" verdana\"="">Mobile</span>
   <span style="\&quot;FONT-SIZE:" 8pt;="" color:="" #17365d;="" font-family:="" verdana\"="">&nbsp;&nbsp;&nbsp;: +1234 5678</span>
  </div>\r\n
  <div style="\&quot;MARGIN:" 0in="" 0pt\"="">
   <span style="\&quot;FONT-SIZE:" 8pt;="" color:="" #17365d;="" font-family:="" verdana\"="">Email&nbsp;&nbsp;&nbsp; : &nbsp;<a href="\&quot;mailto:aaa@xyz\&quot;" _fcksavedurl="\&quot;mailto:aaa@xyz\&quot;">aaa@xyz</a></span>
  </div>

Тогда, по моим данным, это строка: 

a <- '<P>Dear aaa,</P>\r\n<P>&nbsp;</P>\r\n<P>this is mail body from mail 1.<BR><BR><BR>Regards </P>\r\n<P> </P>\r\n<P> </P>\r\n<DIV></DIV>\r\n<DIV><BR><BR><BR></DIV>\r\n<DIV align=left>\r\n<HR>\r\n<FONT face=Tahoma size=1><B>From:</B> aaa <BR><B>Sent:</B> 5/12/2007 01:31:52 PM GST (GMT +04:00)<BR><B>To:</B> bbb <B>:</B> ccc, ddd, eee <BR><B>Mail Number:</B> 111 <BR><B>Subject:</B> xxxxxxx </FONT><BR><BR><BR></DIV>\r\n<P>aaa, </P>\r\n<P>&nbsp;</P>\r\n<P>this is mail body from mail 2</P>\r\n<P>&nbsp;</P>\r\n<P>Regards, </P>\r\n<P>&nbsp;</P>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><STRONG><SPAN style=\"FONT-SIZE: 14pt; COLOR: #3366ff; FONT-FAMILY: 'Viner Hand ITC'\">aaa</SPAN></STRONG></DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><B><SPAN style=\"FONT-SIZE: 10pt; COLOR: #17365d; FONT-FAMILY: Verdana\">Logistics Manager</SPAN></B></DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><B><SPAN style=\"FONT-SIZE: 10pt; COLOR: #17365d; FONT-FAMILY: Verdana\">Project Services</SPAN></B></DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\">&nbsp;</DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><B><SPAN style=\"COLOR: gray; FONT-FAMILY: Verdana\">aaa</SPAN></B><B><SPAN style=\"COLOR: #999999; FONT-FAMILY: Verdana\"> bbb </SPAN></B></DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><SPAN style=\"FONT-SIZE: 8pt; COLOR: #17365d; FONT-FAMILY: Verdana\">P.O. Box: 111</SPAN></DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><SPAN style=\"FONT-SIZE: 8pt; COLOR: #17365d; FONT-FAMILY: Verdana\">The Project</SPAN></DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><SPAN style=\"FONT-SIZE: 8pt; COLOR: #17365d; FONT-FAMILY: Verdana\">country name</SPAN><SPAN style=\"FONT-SIZE: 8pt; COLOR: #17365d; FONT-FAMILY: Verdana\">, country name</SPAN></DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\">&nbsp;</DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><SPAN style=\"FONT-SIZE: 8pt; COLOR: #17365d; FONT-FAMILY: Verdana\">Mobile</SPAN><SPAN style=\"FONT-SIZE: 8pt; COLOR: #17365d; FONT-FAMILY: Verdana\">&nbsp;&nbsp;&nbsp;: +1234 5678</SPAN></DIV>\r\n<DIV style=\"MARGIN: 0in 0in 0pt\"><SPAN style=\"FONT-SIZE: 8pt; COLOR: #17365d; FONT-FAMILY: Verdana\">Email&nbsp;&nbsp;&nbsp; : &nbsp;<A href=\"mailto:aaa@xyz\" _fcksavedurl=\"mailto:aaa@xyz\">aaa@xyz</A></SPAN></DIV>'

Этот примервключает в себя 2 письма. У меня много писем, которые имеют похожий формат. Мне просто нужно извлечь письма. В данном случае это «это почтовое тело от почты 1.»и «это почтовое тело от почты 2». Действительно трудно использовать stringr, чтобы удалить все ненужные части.

Уже есть пакет для этого, и я не знаю?

...