Python自动提取邮件订阅链接并解析

通过构建一条可配置的处理流水线：IMAP抓取 → 多策略解析 → URL去重 → LLM分析 → 报告生成。自动从订阅邮件中提取文章链接，生成结构化 AI 分析报告。：

• 多过滤器（多来源）统一处理
• 通过策略模式，适配不同邮件结构
• 分析阶段支持增量输出，避免长任务数据丢失
• CLI 驱动 + 配置驱动，具备可扩展性

架构设计（Architecture）

架构图（Mermaid）

架构解读

模块划分

数据流

• Email → URL → AnalysisResult → Report

设计

• 解耦：Fetcher / Parser / Analyzer 可独立替换
• 扩展性：新增解析策略无需改主流程
• 复用性：Analyzer 可用于任意 URL 数据源

核心流程（Main Flow）

流程图（Mermaid）

流程拆解

1. 启动 / 初始化

• 输入：CLI 参数 + config.toml
• 处理：加载配置、初始化模块
• 输出：Config 对象

2. 邮件抓取

• 输入：FilterConfig
• 处理：
• IMAP 搜索（UNSEEN + FROM）
• Python 二次过滤（关键词）
• 输出：邮件列表

3. URL 提取

• 输入：邮件内容（HTML/Text）
• 处理：
• 根据策略选择 parser
• 解析链接
• 去 tracking 参数
• 输出：ExtractedURL[]

4. 分析阶段

• 输入：URL + Prompt 模板
• 处理：
• 构造 Prompt
• 调用 Gemini CLI
• 清洗输出
• 输出：AnalysisResult

5. 输出生成

• 输入：URL + AnalysisResult
• 处理：
• Markdown 渲染
• JSON 序列化
• 输出：报告文件

核心实现解析（Key Implementation）

配置系统（类型安全 + 多过滤器）

统一管理多来源邮件规则，避免硬编码。

@dataclasses.dataclassclass FilterConfig:    name: str    sender: str    title_keywords: List[str]    max_emails: int    extract_format: str = "name_url"for f in filters_data:    if name in names:        raise ValueError("Duplicate filter name")

设计

• ✔ 使用 dataclass → 类型安全
• ✔ 支持多 filter → 扩展性强

Fetcher（IMAP + 双层过滤）

高效筛选目标邮件，减少无效解析。

search_criteria = ["UNSEEN"]if filter_config.sender:    search_criteria.extend(["FROM", filter_config.sender])if not filter_config.title_keywords:    return True

设计

• IMAP 过滤（粗筛）
• Python 过滤（精筛）
• ✔ 减少网络数据量
• ✔ 灵活性高

Parser（策略模式）

适配不同邮件格式（Medium / Newsletter 等）

class ParserFactory:    def create(extract_format):        if extract_format == "name_url":            return MediumParser()

设计

• 多解析策略
• HTML + Text 双路径
• 去重（base URL）
• ✔ 高扩展性
• ✔ 易新增格式

URL 解析与清洗（抗噪核心）

去除跳转链接、过滤无效页面

redirect_params = ["redirectUrl", "url", "target"]if any(keyword in lower_title for keyword in _NOISY_TITLE_KEYWORDS):    return False

设计

• 解析 query 参数获取真实 URL
• 基于规则过滤非文章链接
• ✔ 提高数据质量

Analyzer（LLM 调用工程化）

稳定调用 Gemini CLI，生成结构化分析

with tempfile.NamedTemporaryFile(...) as tmp_user:env["GEMINI_SYSTEM_MD"] = tmp_sys_path

关键设计

• 文件传参（避免 shell 转义问题）
• retry + backoff
• 噪声过滤
• ✔ 稳定性强
• ✔ 可控性高

增量输出（防数据丢失）

for result in analyzer.analyze_articles(...):    reporter.generate_summaries_report(...)

设计

• 长任务不中断
• 每一步都有持久化
• ✔ 高可靠性

★ 

源码 URL：https://github.com/alwaysrun/EmailExtractor

”