python之使用 Python 从 Outlook 电子邮件正文中提取数字

我每小时都会收到电子邮件提醒，告诉我公司在过去一小时内赚取了多少收入。我想将此信息提取到 pandas 数据框中，以便我可以对其进行一些分析。

我的问题是我不知道如何以可用的格式从电子邮件正文中提取数据。我想我需要使用正则表达式，但我对它们不太熟悉。

这是我目前所拥有的:

import os 
import pandas as pd 
import datetime as dt 
import win32com.client 
 
outlook = win32com.client.Dispatch("Outlook.Application").GetNamespace("MAPI") 
inbox = outlook.GetDefaultFolder(6) 
messages = inbox.Items 
 
#Empty Lists 
email_subject = [] 
email_date = [] 
email_content = [] 
 
#find emails 
 
for message in messages: 
    if message.SenderEmailAddress == 'oracle@xyz.com' and message.Subject.startswith('Demand'): 
        email_subject.append(message.Subject) 
        email_date.append(message.senton.date())  
        email_content.append(message.body) 

email_content 列表如下所示:

'                                                                                                                   \r\nDemand: $41,225 (-47%)\t                                                                            \r\n                                                                                                                       \r\nOrders: 515 (-53%)\t                                                                                \r\nUnits: 849 (-59%)\t                                                                                 \r\n                                                                                                                       \r\nAOV: $80 (12%)                                                                                                          \r\nAUR: $49 (30%)                                                                                                          \r\n                                                                                                                       \r\nOrders with Promo Code: 3%                                                                                              \r\nAverage Discount: 21%                                                                                             ' 

谁能告诉我如何拆分它的内容，以便我可以在单独的列中获得需求、订单和单位的 int 值？

谢谢!

请您参考如下方法:

您可以结合使用 string.split() 和 string.strip() 来首先单独提取每一行。

string = email_content 
lines = string.split('\r\n') 
lines_stripped = [] 
for line in lines: 
    line = line.strip() 
    if line != '': 
        lines_stripped.append(line) 

这给你一个像这样的数组:

['Demand: $41,225 (-47%)', 'Orders: 515 (-53%)', 'Units: 849 (-59%)', 'AOV: $80 (12%)', 'AUR: $49 (30%)', 'Orders with Promo Code: 3%', 'Average Discount: 21%'] 

您还可以通过更紧凑的(pythonic)方式实现相同的结果:

lines_stripped = [line.strip() for line in string.split('\r\n') if line.strip() != ''] 

一旦你有了这个数组，你就可以使用你正确猜测的正则表达式来提取值。我推荐https://regexr.com/试验您的正则表达式。

经过一些快速实验，r'([\S\s]*):\s*(\S*)\s*\(?(\S*)\)?'应该可以。

这是从我们上面创建的 lines_stripped 生成字典的代码:

import re 
regex = r'([\S\s]*):\s*(\S*)\s*\(?(\S*)\)?' 
matched_dict = {} 
for line in lines_stripped: 
    match = re.match(regex, line) 
    matched_dict[match.groups()[0]] = (match.groups()[1], match.groups()[2]) 
 
print(matched_dict) 

这会产生以下输出:

{'AOV': ('$80', '12%)'), 
 'AUR': ('$49', '30%)'), 
 'Average Discount': ('21%', ''), 
 'Demand': ('$41,225', '-47%)'), 
 'Orders': ('515', '-53%)'), 
 'Orders with Promo Code': ('3%', ''), 
 'Units': ('849', '-59%)')} 

您询问了单位、订单和需求，所以这里是提取:

# Remove the dollar sign before converting to float 
# Replace , with empty string 
demand_string = matched_dict['Demand'][0].strip('$').replace(',', '') 
print(int(demand_string)) 
print(int(matched_dict['Orders'][0])) 
print(int(matched_dict['Units'][0])) 

如您所见，Demand 稍微复杂一些，因为它包含一些 python 在转换为 int 时无法解码的额外字符。

这是这 3 次打印的最终输出:

41225 
515 
849 

希望我回答了你的问题!如果您对 regex 有更多疑问，我鼓励您使用 regexr 进行体验，它构建得非常好!

编辑:正则表达式中似乎存在一个小问题，导致最后一个“)”被包含在最后一组中。不过，这不会影响您的问题!