我正在尝试从从文件加载的电子邮件的 Message-ID 字段中解析域名,并将其与 from 字段的域进行比较,以查看它的匹配程度。然后我使用 比较距离nltk.edit_distance()
。
我正在使用
re.search('@[\[\]\w+\.]+',mail['Message-ID']).group()[1:]
但是一封垃圾邮件包含以下内容
mail2['Message-ID']
'<2011315123.04C6DACE618A7C2763810@\x82\xb1\x82\xea\x82\xa9\x82\xe7\x8c\xa9\x82\xa6\x82\xe9\x82\xbe\x82\xeb\x82\xa4>'
因此,当我尝试匹配时,它不会返回匹配项group()
我可以在 Shift_JIS 中对其进行解码,但不知道如何处理它
<2011315123.04C6DACE618A7C2763810@これから見えるだろう>
我不想尝试检查所有可能的字符编码。
关于我应该用它做什么的任何想法?