使用 C# 中的正则表达式解析 email header

Question

我在我的 web 应用程序的表单中发布了一个 webhook，我需要解析出 email header 地址。

以下是原文：

Thread-Topic: test subject
Thread-Index: AcwE4mK6Jj19Hgi0SV6yYKvj2/HJbw==
From: "Lastname, Firstname" <firstname_lastname@domain.com>
To: <testto@domain.com>, testto1@domain.com, testto2@domain.com
Cc: <testcc@domain.com>, test3@domain.com
X-OriginalArrivalTime: 27 Apr 2011 13:52:46.0235 (UTC) FILETIME=[635226B0:01CC04E2]

我正在寻找以下内容：

<testto@domain.com>, testto1@domain.com, testto2@domain.com

我整天都在用正则表达式苦苦挣扎，没有任何运气。

Answer 1

与这里的一些帖子相反，我必须同意 mmutz，你不能用正则表达式解析电子邮件......请参阅这篇文章：

http://tools.ietf.org/html/rfc2822#section-3.4.1

3.4.1。 地址规范规范

addr-spec 是一个特定的 Internet 标识符，它包含一个本地解释的字符串，后跟 at-sign 字符（“@”，ASCII 值 64），后跟一个 Internet 域。

“本地解释”的想法意味着只有接收服务器才能解析它。

如果我要尝试解决这个问题，我会找到“To”行内容，将其拆分并尝试使用 System.Net.Mail.MailAddress 解析每个段。

    static void Main()
    {
        string input = @"Thread-Topic: test subject
Thread-Index: AcwE4mK6Jj19Hgi0SV6yYKvj2/HJbw==
From: ""Lastname, Firstname"" <firstname_lastname@domain.com>
To: <testto@domain.com>, ""Yes, this is valid""@[emails are hard to parse!], testto1@domain.com, testto2@domain.com
Cc: <testcc@domain.com>, test3@domain.com
X-OriginalArrivalTime: 27 Apr 2011 13:52:46.0235 (UTC) FILETIME=[635226B0:01CC04E2]";

        Regex toline = new Regex(@"(?im-:^To\s*:\s*(?<to>.*)$)");
        string to = toline.Match(input).Groups["to"].Value;

        int from = 0;
        int pos = 0;
        int found;
        string test;

        while(from < to.Length)
        {
            found = (found = to.IndexOf(',', from)) > 0 ? found : to.Length;
            from = found + 1;
            test = to.Substring(pos, found - pos);

            try
            {
                System.Net.Mail.MailAddress addy = new System.Net.Mail.MailAddress(test.Trim());
                Console.WriteLine(addy.Address);
                pos = found + 1;
            }
            catch (FormatException)
            {
            }
        }
    }

Output 来自上述程序：

testto@domain.com
"Yes, this is valid"@[emails are hard to parse!]
testto1@domain.com
testto2@domain.com

Answer 2

符合 RFC 2822 的 email 正则表达式是：

(?:[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*|"(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21\x23-\x5b\x5d-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])*")@(?:(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?|\[(?:(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?)\.){3}(?:25[0-5]|2[0-4][0-9]|[01]?[0-9][0-9]?|[a-z0-9-]*[a-z0-9]:(?:[\x01-\x08\x0b\x0c\x0e-\x1f\x21-\x5a\x53-\x7f]|\\[\x01-\x09\x0b\x0c\x0e-\x7f])+)\])

只需在您的文本上运行它，您将获得 email 地址。

当然，在 regex 不是最佳选择的情况下，总是可以选择不使用 regex。 但取决于你！

Answer 3

您不能使用正则表达式来解析 RFC2822 邮件，因为它们的语法包含递归产生式（在我的脑海中，它是用于注释(a (nested) comment) ），这使得语法不规则。 正则表达式（顾名思义）只能解析正则文法。

有关详细信息，另请参阅RegEx 匹配开放标记（XHTML 自包含标记除外） 。

Answer 4

正如 Blindy 建议的那样，有时你可以用老式的方式解析它。

如果您更喜欢这样做，这里有一个快速方法，假设 email header 文本称为“标题”：

int start = header.IndexOf("To: ");
int end = header.IndexOf("Cc: ");
string x = header.Substring(start, end-start);

我可能会在减法上偏离一个字节，但你可以很容易地测试和修改它。 当然，您还必须确定您的 header 中始终会有一个 Cc: 行，否则这将不起作用。

Answer 5

这里有一个使用正则表达式验证电子邮件的细分，它引用了一个更实际的 RFC 2822 实现：

[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*@(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?

看起来您只希望 email 地址超出“收件人”字段，并且您还需要担心 <>，因此类似以下内容可能会起作用：

^To: ((?:\<?[a-z0-9!#$%&'*+/=?^_`{|}~-]+(?:\.[a-z0-9!#$%&'*+/=?^_`{|}~-]+)*@(?:[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\.)+[a-z0-9](?:[a-z0-9-]*[a-z0-9])?\>?,?(?:\s*))*)

同样，正如其他人所提到的，您可能不想这样做。 但是，如果您想要将输入转换为<testto@domain.com>, testto1@domain.com, testto2@domain.com的正则表达式，那就可以了。