基于MIME邮件结构的邮件内容提取技术的研究.pdfVIP

总第１６４期　２００８年　第５期 基于 ＭＩＭＥ邮件结构的邮件内容提取技术 的研究 胡　燕　滕桂法　董素芬　王　聃 （河北农业大学信息科学与技术学院　保定０７１００１） 【摘要】为准确提取电子邮件的内容，对邮件的组成结构进行详尽的分析，归纳出邮件正文特征，并设计出一个基 于ＭＩＭＥ邮件结构的邮件预处理系统。该系统采用分块处理和特征识别的方法，克服电子邮件不规范的缺点，并 对邮件正文中的回复行和广告行进行过滤，从而实现对邮件内容快速准确提取。 【关键词】多用途互联网邮件扩展　电子邮件　预处理 【分类号】ＴＰ３９３．０９８ ＲｅｓｅａｒｃｈｏｎＥｘｔｒａｃｔｉｎｇＥ－ｍａｉｌＩｎｆｏｒｍａｔｉｏｎＢａｓｅｄｏｎＳｔｒｕｃｔｕｒｅｏｆ ＭＩＭＥＭａｉｌ ＨｕＹａｎ　ＴｅｎｇＧｕｉｆａ　ＤｏｎｇＳｕｆｅｎ　ＷａｎｇＤａｎ （ＳｃｈｏｏｌｏｆＩｎｆｏｒｍａｔｉｏｎＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＡｇｒｉｃｕｌｔｕｒａｌＵｎｉｖｅｒｓｉｔｙｏｆＨｅｂｅｉ，Ｂａｏｄｉｎｇ０７１００１，Ｃｈｉｎａ） 【Ａｂｓｔｒａｃｔ】ＩｎｏｒｄｅｒｔｏａｃｃｕｒａｔｅｌｙｅｘｔｒａｃｔｔｈｅｉｎｆｏｒｍａｔｉｏｎｏｆＥ－ｍａｉｌ，Ｅ－ｍａｉｌ’ｓｓｔｒｕｃｔｕｒｅａｎｄｃｏｎｔｅｎｔｆｅａｔｕｒｅｓａｒｅａｎａ ｌｙｚｅｄ，ａｎｄａｎＥ－ｍａｉｌｐｒｅｔｒｅａｔｍｅｎｔｓｙｓｔｅｍｂａｓｅｄｏｎｓｔｒｕｃｔｕｒｅｏｆＭＩＭＥｍａｉｌｉｓｄｅｓｉｇｎｅｄ．Ｕｓｉｎｇｂｌｏｃｋ－ｔｒｅａｔｍｅｎｔａｎｄｆｅａ ｔｕｒｅｉｄｅｎｔｉｆｉｃａｔｉｏｎｍｅｔｈｏｄｓ，ｔｈｉｓｓｙｓｔｅｍｏｖｅｒｃｏｍｅｓｔｈｅｓｈｏｒｔｃｏｍｉｎｇｓｏｆｉｎｆｏｒｍａｌｓｔｙｌｅａｎｄｆｉｌｔｅｒｅｓｒｅｐｌｙｌｉｎｅｓａｎｄａｄｖｅｒｔｉｓｉｎｇ ｌｉｎｅｓ．ＴｈｅｓｙｓｔｅｍｆｉｎａｌｌｙｒｅａｌｉｚｅｓｅｘｐｅｃｔａｔｉｖｅｇｏａｌｏｆｅｘｔｒａｃｔｉｎｇＥ－ｍａｉｌｉｎｆｏｒｍａｔｉｏｎｑｕｉｃｋｌｙａｎｄａｃｃｕｒａｔｅｌｙ． 【Ｋｅｙｗｏｒｄｓ】ＭＩＭＥ　Ｅ－ｍａｉｌ　Ｐｒｅｔｒｅａｔｍｅｎｔ ［１－３］ 　　本文在详尽分析ＭＩＭＥ邮件格式 的基础上，采用对邮件进行分块处理和特征识别的方法，设计出一个实 用并能够准确提取邮件内容的邮件预处理系统。该系统可用于垃圾邮件过滤，电子邮件文字转语音，以及邮件分 类等邮件处理系统的预处理。本文将此作为中文电子邮件作者身份识别系统的预处理。 １　ＭＩＭＥ邮件 １．１　简　介 　　多用途互联网邮件扩展（ＭｕｌｔｉｐｕｒｐｏｓｅＩｎｔｅｒｎｅｔＭａｉｌＥｘｔｅｎｓｉｏｎｓ，ＭＩＭＥ）是当前广泛应用的一种电子邮件技术规 ［４］ 范。在ＭＩＭＥ出现之前，互联网使用ＲＦＣ８２２ 作为电子邮件的文本格式标准。但是ＲＦＣ８２２具有一定的局限性： 它只能发送基本的ＡＳＣＩＩ码文本信息，邮件内容如果包含语音、图像等多媒体数据以及其他二进制数据文件，实 现起来就非常困难。ＭＩＭＥ在 ＲＦＣ８２２的基础上对电子邮件规范作了大量的扩展，引入了新的格式规范和编码方 式，弥补其缺陷。随着网络的飞速发展和电子邮件的广泛应用，ＭＩＭＥ已经成为得到广泛支持的电子邮件的标准， 成为ＨＴＴＰ协议标准的一部分。 　　收稿日期：２００８－０１－０４ 　　收修改稿日期：２００８－０１－２１ ＸＩＡＮＤＡＩＴＵＳＨＵＱＩＮＧＢＡＯＪＩＳＨＵ　　　　８５ 应用实践 １．２　组成结构 地址、附件、邮件的内容等。在邮件内容里，除了发送 　　一封规范的电子邮件主要由邮件头和邮件体两大 者希望接收者收到的信息外，还包含一些无用信息，如 部分组成。它们之间以一个空白行进行分隔。当邮件 回复行和广告行的内容。为了提高后续处理的速度， 体被分为多个段时，每个段又包含段头和段体两部分， 需要将这些无用信息过滤掉。 这两部分之间也以空行分隔。 　　目前人们使用电子邮件的方式，主要是通过 Ｏｕｔ 　　邮件头包括发件人、收件人、主题、日期、