205 lines
6.5 KiB
Markdown
205 lines
6.5 KiB
Markdown
# PST 邮件处理流程总结
|
||
|
||
> 创建时间: 2026-04-13
|
||
> 处理对象: Shen Wei 2025.pst (15GB, 55,647封)
|
||
|
||
---
|
||
|
||
## 📋 全流程概述
|
||
|
||
### 阶段一：PST 提取（PST → mbox）
|
||
|
||
```
|
||
原始文件: Shen Wei 2025.pst (15GB)
|
||
↓
|
||
工具: readpst (macOS 已安装)
|
||
↓
|
||
输出: extracted_2025/Shen Wei 2025/*/mbox (30个文件夹)
|
||
时间: ~10-15 分钟
|
||
```
|
||
|
||
**关键点：**
|
||
- `readpst -S <pst_file> -o <output_dir>` 将 PST 按文件夹结构展开为 mbox 格式
|
||
- 每个 mbox 以 `From ` 行分隔邮件
|
||
- 原始 PST 完全未动
|
||
|
||
---
|
||
|
||
### 阶段二：建立索引（mbox → CSV）
|
||
|
||
```
|
||
原始 mbox (30个文件夹, 55,647封)
|
||
↓
|
||
Python: mailbox 模块 + parsedate_to_datetime
|
||
↓
|
||
输出: ~/pst-processing/2025/YYYY-MM.csv (83个月)
|
||
```
|
||
|
||
**CSV 字段：**
|
||
|
||
| 字段 | 说明 |
|
||
|------|------|
|
||
| folder | 文件夹路径（如 Inbox/SaaS Notification/AWS） |
|
||
| year_month | 年月（如 2025-01） |
|
||
| message_id | 邮件唯一标识（用于跨文件匹配） |
|
||
| subject | 主题（截断至80字符保唯一性） |
|
||
| sender | 发件人（完整显示名+邮箱） |
|
||
| recipient | 收件人 |
|
||
| date | 日期（RFC 2822 原始格式） |
|
||
| has_attachment | Y/N（检测 Content-Disposition: attachment） |
|
||
| attachment_size | 附件总字节数 |
|
||
| email_size | 整封邮件字节数 |
|
||
|
||
**处理速度：** ~4分钟（55,647封）
|
||
|
||
---
|
||
|
||
### 阶段三：定义删除规则
|
||
|
||
**规则文件：** `~/pst-processing/rules/delete_rules.json`
|
||
|
||
| # | 规则ID | 文件夹匹配 | 动作 | 说明 |
|
||
|---|--------|----------|------|------|
|
||
| 1 | aws_notification | 含 "AWS Notification" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
|
||
| 2 | prisma_cloud | 含 "Prisma Cloud" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
|
||
| 3 | x4x_tenant_provisioning | 含 "X4X-Tenant Provisioning" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
|
||
| 4 | qualys | 含 "Qualys" | keep_sample: 5 | 每 subject 保留1封，最多5封 |
|
||
| 5 | teams_notification | 含 "Teams Notification" | keep_if_attachment | 有附件保留，无附件删 |
|
||
| 6 | sma_notification | 含 "SMA Notficiation" | keep_sample: 10 | 每 subject 保留1封，每月最多10封 |
|
||
| 7 | ppm_saas_change | 含 "PPM SaaS Change" | delete_all | 全部删除 |
|
||
| 8 | cloudhealth | 含 "CloudHealth" | keep | 全部保留 |
|
||
| 9 | saas_bi_report | 含 "SaaS BI Report" | keep | 全部保留 |
|
||
| 10 | x4x_decommissioning | 含 "X4X-Tenant Decommissioning" | delete_all | 全部删除 |
|
||
| 11 | x4x_license_renewal | 含 "X4X-License Renewal" | delete_all | 全部删除 |
|
||
|
||
**规则动作类型：**
|
||
- `keep`：全部保留
|
||
- `delete_all`：全部删除
|
||
- `keep_sample`：每 subject 保留1封，最多N封
|
||
- `keep_if_attachment`：有附件保留，无附件删除
|
||
|
||
**执行脚本：** `~/pst-processing/rules/apply_rules.py`
|
||
|
||
---
|
||
|
||
### 阶段四：过滤并组装新 mbox
|
||
|
||
```
|
||
原始 mbox (30个文件夹, 55,647封)
|
||
↓
|
||
按 message_id 匹配 delete_flag
|
||
↓
|
||
保留邮件: 29,088 封 (52%)
|
||
↓
|
||
提取 full content（含正文+附件）
|
||
↓
|
||
输出: shenwei2025-clean.mbox (9.6GB)
|
||
```
|
||
|
||
**关键发现：**
|
||
- 有117封邮件在原始 mbox 中匹配失败（PST→mbox 转换时的 ID 差异）
|
||
- SMA Notification 原始 6,681 封 → 规则处理后仅保留 40 封
|
||
|
||
---
|
||
|
||
## 💡 经验总结
|
||
|
||
### 1. 工具链
|
||
|
||
| 场景 | 工具 | 备注 |
|
||
|------|------|------|
|
||
| PST 读取 | `readpst` | macOS 已安装 (`/opt/homebrew/bin/readpst`) |
|
||
| PST Python 库 | ❌ pypff (PEP 668阻止安装) | 无需替代，readpst + mbox 够用 |
|
||
| mbox 处理 | Python `mailbox` | 原生支持，够用 |
|
||
| 日期解析 | `email.utils.parsedate_to_datetime` | 兼容 RFC 2822 |
|
||
|
||
### 2. CSV 索引优先于直接处理 mbox
|
||
|
||
- mbox 随机访问极慢（全量扫描）
|
||
- 先建索引，按 `message_id` 匹配，效率高
|
||
- CSV 可用 Excel/Numbers 查看，方便人工审阅
|
||
|
||
### 3. 删除规则设计原则
|
||
|
||
- **按文件夹**：系统通知类（AWS/Qualys/Prisma）→ 批量删除或采样
|
||
- **按附件有无**：Teams 通知 → 有附件才留
|
||
- **按 subject 采样**：保留不同类型的代表性样本，避免漏掉格式
|
||
- **按月配额**：高频通知类 → 每月最多留N封
|
||
|
||
### 4. 避免的坑
|
||
|
||
- `mailbox.mbox` 不支持 slice 索引 → 用 `iter()` 遍历
|
||
- Subject 可能含非 ASCII → `:80` 截断保唯一性
|
||
- 附件大小：字符串 payload 用 `len(payload.encode())`，二进制 payload 直接 `len(payload)`
|
||
- 日期解析失败 → 归入 "Unknown" 月份
|
||
|
||
---
|
||
|
||
## 📊 Shen Wei 2025 处理结果
|
||
|
||
| 指标 | 处理前 | 处理后 |
|
||
|------|--------|--------|
|
||
| 总邮件 | 55,647 | 29,088 |
|
||
| 删除 | — | 26,559 |
|
||
| 附件邮件 | — | 20,171 (69%) |
|
||
| 总附件大小 | — | 8.6 GB |
|
||
|
||
---
|
||
|
||
## 🔄 批量处理 SOP（待执行）
|
||
|
||
### 输入
|
||
- 新 PST 文件 → 复制到 `~/pst-processing/incoming/`
|
||
- 规则文件已就绪：`~/pst-processing/rules/delete_rules.json`
|
||
|
||
### 执行步骤
|
||
|
||
```bash
|
||
# 1. 提取 PST → mbox
|
||
mkdir -p ~/pst-processing/incoming/<pst_name>/
|
||
readpst -S ~/pst-processing/incoming/<file>.pst -o ~/pst-processing/incoming/<pst_name>/
|
||
|
||
# 2. 建立索引 CSV
|
||
python3 ~/pst-processing/rules/index_pst.py <source_dir> <output_csv_dir>
|
||
|
||
# 3. 应用删除规则（复用现有规则）
|
||
python3 ~/pst-processing/rules/apply_rules.py <csv_dir>
|
||
|
||
# 4. 组装新 mbox（按 message_id 匹配原始 mbox）
|
||
python3 ~/pst-processing/rules/build_clean_mbox.py <source_mbox_dir> <output_mbox>
|
||
```
|
||
|
||
### 待开发脚本
|
||
|
||
- [ ] `index_pst.py` — 通用 PST 索引脚本
|
||
- [ ] `batch_process.sh` — 批量处理 wrapper
|
||
- [ ] `rules/delete_rules.json` — 已有，可直接复用
|
||
|
||
---
|
||
|
||
## 📁 当前文件结构
|
||
|
||
```
|
||
~/pst-processing/
|
||
├── rules/
|
||
│ ├── delete_rules.json # 规则定义
|
||
│ └── apply_rules.py # 规则执行脚本
|
||
├── 2025/ # 原始索引 CSV（83个月）
|
||
│ └── YYYY-MM.csv
|
||
├── shenwei2025-clean.mbox # 清理后完整邮件 (9.6GB, 29,088封)
|
||
├── shenwei2025-clean-index.csv # 新索引 (12.3MB)
|
||
├── shenwei2025-new.mbox # 旧版（仅 headers，已保留）
|
||
└── extracted_2025/ # 原始 mbox 提取物
|
||
└── Shen Wei 2025/
|
||
└── */mbox
|
||
```
|
||
|
||
---
|
||
|
||
## 📅 后续任务
|
||
|
||
- [ ] 开发通用 `index_pst.py` 脚本
|
||
- [ ] 开发 `build_clean_mbox.py` 脚本
|
||
- [ ] 批处理其他 PST 文件
|
||
- [ ] 同步笔记到 Git
|