メールボックスファイル(*.mbox) をパースしてファイル展開するスクリプト

mbox-parser.py

#!/usr/bin/env python3
# -*- coding: utf-8 -*-

import mailbox
import os
import email
import datetime
import re
import sys
from email.header import decode_header

def decode_str(s):
    """
    メールヘッダーをデコードする関数
    """
    if s is None:
        return ""
    decoded_parts = []
    for part, encoding in decode_header(s):
        if isinstance(part, bytes):
            if encoding:
                try:
                    decoded_parts.append(part.decode(encoding))
                except:
                    # エンコーディングが失敗した場合、UTF-8で試行
                    try:
                        decoded_parts.append(part.decode('utf-8'))
                    except:
                        # それでも失敗した場合、エラー回避モードで
                        decoded_parts.append(part.decode('utf-8', errors='replace'))
            else:
                try:
                    decoded_parts.append(part.decode('utf-8'))
                except:
                    decoded_parts.append(part.decode('utf-8', errors='replace'))
        else:
            decoded_parts.append(part)
    return ''.join(decoded_parts)

def sanitize_filename(filename):
    """
    ファイル名に使えない文字を置換する関数
    """
    # ファイル名に使えない文字を置換
    invalid_chars = r'[\\/*?:"<>|]'
    return re.sub(invalid_chars, '_', filename)

def extract_date(msg):
    """
    メッセージから日付情報を抽出し、YYMMdd_hhmmss形式に変換する関数
    """
    date_str = msg.get('Date')
    if not date_str:
        # 日付がない場合は現在時刻を使用
        now = datetime.datetime.now()
        return now.strftime("%y%m%d_%H%M%S")
    
    try:
        # 様々な日付形式に対応するために複数のパターンを試行
        date_formats = [
            '%a, %d %b %Y %H:%M:%S %z',
            '%a, %d %b %Y %H:%M:%S %Z',
            '%d %b %Y %H:%M:%S %z',
            '%a, %d %b %Y %H:%M:%S',
            '%d %b %Y %H:%M:%S'
        ]
        
        # 余分な情報（括弧内の情報など）を削除
        date_str = re.sub(r'\([^)]*\)', '', date_str).strip()
        
        parsed_date = None
        for fmt in date_formats:
            try:
                parsed_date = datetime.datetime.strptime(date_str, fmt)
                break
            except ValueError:
                continue
        
        if parsed_date:
            return parsed_date.strftime("%y%m%d_%H%M%S")
        else:
            # どの形式でもパースできない場合はemail.utils.parsedate_tzを使用
            from email.utils import parsedate_to_datetime
            try:
                parsed_date = parsedate_to_datetime(date_str)
                return parsed_date.strftime("%y%m%d_%H%M%S")
            except:
                # それでも失敗した場合は現在時刻を使用
                now = datetime.datetime.now()
                return now.strftime("%y%m%d_%H%M%S")
    except:
        # エラーが発生した場合は現在時刻を使用
        now = datetime.datetime.now()
        return now.strftime("%y%m%d_%H%M%S")

def process_mbox(mbox_path, output_dir):
    """
    mboxファイルを処理して、メール内容と添付ファイルを保存する関数
    """
    # 出力ディレクトリの作成
    os.makedirs(output_dir, exist_ok=True)
    
    # mboxファイルのオープン
    mbox = mailbox.mbox(mbox_path)
    
    print(f"処理を開始: {mbox_path}")
    print(f"メール総数: {len(mbox)}")
    
    # 各メッセージを処理
    for i, msg in enumerate(mbox):
        try:
            # 日付の抽出
            date_prefix = extract_date(msg)
            
            # 件名の抽出
            subject = decode_str(msg.get('Subject', 'No Subject'))
            print(f"処理中 [{i+1}/{len(mbox)}]: 日付={date_prefix}, 件名={subject}")
            
            # ファイル名の作成と無効な文字の置換
            base_filename = sanitize_filename(f"{date_prefix}_{subject}")
            
            # メール本文の保存
            content = ""
            content += f"From: {decode_str(msg.get('From', 'Unknown'))}\n"
            content += f"To: {decode_str(msg.get('To', 'Unknown'))}\n"
            content += f"Subject: {subject}\n"
            content += f"Date: {msg.get('Date', 'Unknown')}\n"
            content += "-" * 40 + "\n\n"
            
            # メール本文の抽出
            if msg.is_multipart():
                for part in msg.walk():
                    content_type = part.get_content_type()
                    content_disposition = str(part.get("Content-Disposition"))
                    
                    # 本文テキストの抽出
                    if content_type == "text/plain" and "attachment" not in content_disposition:
                        try:
                            body = part.get_payload(decode=True)
                            charset = part.get_content_charset()
                            if charset:
                                body = body.decode(charset, errors='replace')
                            else:
                                body = body.decode('utf-8', errors='replace')
                            content += body + "\n"
                        except Exception as e:
                            content += f"[本文のデコードに失敗: {str(e)}]\n"
            else:
                # 非マルチパートメッセージの処理
                try:
                    body = msg.get_payload(decode=True)
                    charset = msg.get_content_charset()
                    if charset:
                        body = body.decode(charset, errors='replace')
                    else:
                        body = body.decode('utf-8', errors='replace')
                    content += body + "\n"
                except Exception as e:
                    content += f"[本文のデコードに失敗: {str(e)}]\n"
            
            # メール本文をファイルに保存
            output_file = os.path.join(output_dir, f"{base_filename}.txt")
            with open(output_file, 'w', encoding='utf-8') as f:
                f.write(content)
            
            print(f"  メール本文を保存: {os.path.basename(output_file)}")
            
            # 添付ファイルの保存
            attachment_count = 0
            if msg.is_multipart():
                for part in msg.walk():
                    if part.get_content_maintype() == 'multipart':
                        continue
                    
                    filename = part.get_filename()
                    if filename:
                        attachment_count += 1
                        # ファイル名のデコード
                        filename = decode_str(filename)
                        # ファイル名のサニタイズ
                        safe_filename = sanitize_filename(filename)
                        
                        # 添付ファイルのパスを作成
                        attachment_path = os.path.join(output_dir, f"{date_prefix}_{safe_filename}")
                        
                        # 添付ファイルの内容を取得して保存
                        with open(attachment_path, 'wb') as f:
                            f.write(part.get_payload(decode=True))
                        
                        print(f"  添付ファイルを保存: {os.path.basename(attachment_path)}")
            
            if attachment_count == 0:
                print("  添付ファイルなし")
            
            print("-" * 40)
        
        except Exception as e:
            print(f"エラー: メッセージの処理中に例外が発生しました: {str(e)}")
    
    print(f"処理完了: 合計 {len(mbox)} 件のメールを処理しました")

def main():
    # コマンドライン引数の処理
    if len(sys.argv) != 2:
        print(f"使用方法: {sys.argv[0]} <mbox_file>")
        sys.exit(1)
    
    mbox_path = sys.argv[1]
    output_dir = "emails"
    
    if not os.path.exists(mbox_path):
        print(f"エラー: ファイルが見つかりません: {mbox_path}")
        sys.exit(1)
    
    process_mbox(mbox_path, output_dir)

if __name__ == "__main__":
    main()