Miguel
/
EmailCrono
1
0
Fork 0
Code Issues Pull Requests Packages Projects Releases Wiki Activity

Eliminado del lineas en blanco

This commit is contained in:
Miguel 2025-02-05 12:25:43 +01:00
parent b0150a58dd
commit 9be8f227cb
4 changed files with 26 additions and 6 deletions
Show Stats Download Patch File Download Diff File Expand all files Collapse all files

BIN
models/__pycache__/mensaje_email.cpython-310.pyc
View File

Binary file not shown.

3
models/mensaje_email.py
View File

@ -30,6 +30,9 @@ class MensajeEmail:
# Unir las líneas # Unir las líneas
text = '\n'.join(cleaned_lines) text = '\n'.join(cleaned_lines)
# Primero limpiamos la combinación específica de CRLF+NBSP+CRLF
text = re.sub(r'\r?\n\xa0\r?\n', '\n', text)
# Reemplazar 3 o más saltos de línea por dos # Reemplazar 3 o más saltos de línea por dos
text = re.sub(r'\n{3,}', '\n\n', text) text = re.sub(r'\n{3,}', '\n\n', text)

BIN
utils/__pycache__/email_parser.cpython-310.pyc
View File

Binary file not shown.

27
utils/email_parser.py
View File

@ -11,6 +11,11 @@ from models.mensaje_email import MensajeEmail
from utils.attachment_handler import guardar_adjunto from utils.attachment_handler import guardar_adjunto
def _html_a_markdown(html): def _html_a_markdown(html):
# Primero limpiamos los caracteres especiales en el HTML
html = html.replace('\xa0', ' ') # NBSP a espacio normal
html = html.replace('\r\n', '\n') # CRLF a LF
html = html.replace('\r', '\n') # CR a LF
soup = BeautifulSoup(html, 'html.parser') soup = BeautifulSoup(html, 'html.parser')
# Convert tables, keeping all newlines # Convert tables, keeping all newlines
@ -88,18 +93,30 @@ def procesar_eml(ruta_archivo, dir_adjuntos):
contenido = "" contenido = ""
subject = None subject = None
adjuntos = [] adjuntos = []
tiene_html = False
# Primera pasada: verificar si hay contenido HTML
if mensaje.is_multipart(): if mensaje.is_multipart():
for parte in mensaje.walk(): for parte in mensaje.walk():
if parte.get_content_type() == "text/plain": if parte.get_content_type() == "text/html":
text = parte.get_payload(decode=True).decode(parte.get_content_charset() or 'utf-8', errors='ignore') tiene_html = True
contenido += text break
elif parte.get_content_type() == "text/html": else:
tiene_html = mensaje.get_content_type() == "text/html"
# Segunda pasada: procesar el contenido
if mensaje.is_multipart():
for parte in mensaje.walk():
if parte.get_content_type() == "text/html":
html_content = parte.get_payload(decode=True).decode(parte.get_content_charset() or 'utf-8', errors='ignore') html_content = parte.get_payload(decode=True).decode(parte.get_content_charset() or 'utf-8', errors='ignore')
part_subject, text = _html_a_markdown(html_content) part_subject, text = _html_a_markdown(html_content)
if part_subject and not subject: if part_subject and not subject:
subject = part_subject subject = part_subject
contenido += text contenido = text # Reemplazar en lugar de concatenar
elif parte.get_content_type() == "text/plain" and not tiene_html:
# Solo usar texto plano si no hay HTML
text = parte.get_payload(decode=True).decode(parte.get_content_charset() or 'utf-8', errors='ignore')
contenido = text
elif parte.get_content_disposition() == 'attachment': elif parte.get_content_disposition() == 'attachment':
ruta_adjunto = guardar_adjunto(parte, dir_adjuntos) ruta_adjunto = guardar_adjunto(parte, dir_adjuntos)
if ruta_adjunto: if ruta_adjunto: