用PHP实现POP3邮件的解码（二）

2008-12-23 08:12:50  編輯來源:互聯網  简体版  手機版  評論  字體: 小|中|大

 

　　MIME 编码方式简介

　　Subject: =?gb2312?B?xOO6w6Oh?=

　　这里是邮件的主题，可是因为编码了，我们看不出是什么内容，其原来的文本是：“你好！”我们先看看 MIME 编码的两种方法。

　　对邮件进行编码最初的原因是因为 Internet 上的很多网关不能正确传输8 bit 内码的字符，比如汉字等。编码的原理就是把 8 bit 的内容转换成 7 bit 的形式以能正确传输，在接收方收到之后，再将其还原成 8 bit 的内容。

　　MIME 是“多用途网际邮件扩充协议”的缩写，在 MIME 协议之前，邮件的编码曾经有过 UUENCODE 等编码方式 ，但是由于 MIME 协议算法简单，并且易于扩展，现在已经成为邮件编码方式的主流，不仅是用来传输 8 bit 的字符，也可以用来传送二进制的文件 ，如邮件附件中的图像、音频等信息，而且扩展了很多基于MIME 的应用。从编码方式来说，MIME 定义了两种编码方法Base64与QP(Quote-Printable) :

　　Base 64 是一种通用的方法，其原理很简单，就是把三个Byte的数据用 4 个Byte表示，这样，这四个Byte 中，实际用到的都只有前面6 bit，这样就不存在只能传输 7bit 的字符的问题了。Base 64的缩写一般是“B”，像这封信中的Subject 就是用的 Base64 编码。

　　另一种方法是QP(Quote-Printable) 方法，通常缩写为“Q”方法，其原理是把一个 8 bit 的字符用两个16进制数值表示，然后在前面加“=”。所以我们看到经过QP编码后的文件通常是这个样子：=B3=C2=BF=A1=C7=E5=A3=AC=C4=FA=BA=C3=A3=A1。

　　在 PHP 里，系统有两个函数可以很方便地实现解码：base64_decode（）与quoted_printable_decode（），前者可用于base64 编码的解码，后者是用于 QP 编码方法的解码。

　　现在我们再来看看Subject: =?gb2312?B?xOO6w6Oh?= 这一主题的内容，这不是一段完整的编码，只有部分是编码了的，这个部分用 =? ?= 两个标记括起来，=? 后面说明的是这段文字的字符集是 GB2312 ，然后一个 ? 后面的一个 B 表示的是用的 Base64 编码。通过这段分析，我们来看一下这个 MIME 解码的函数：（该函数由 PHPX.COM 站长 Sadly 提供，本人将其放入一个类中，并做了少量的修改，在此致谢）

　　function decode_mime($string) {

　　$pos = strpos($string, '=?');

　　if (!is_int($pos)) {

　　return $string;

　　}

　　$preceding = substr($string, 0, $pos); // save any preceding text

　　$search = substr($string, $pos+2); /* the mime header spec says this is the longest a single encoded word can be */

　　$d1 = strpos($search, '?');

　　if (!is_int($d1)) {

　　return $string;

　　}

　　$charset = substr($string, $pos+2, $d1); //取出字符集的定义部分

　　$search = substr($search, $d1+1); //字符集定义以后的部分＝>$search;

　　$d2 = strpos($search, '?');

　　if (!is_int($d2)) {

　　return $string;

　　}

　　$encoding = substr($search, 0, $d2); ////两个?之间的部分编码方式：ｑ或ｂ

　　$search = substr($search, $d2+1);

　　$end = strpos($search, '?='); //$d2+1 与 $end 之间是编码了的内容：=> $endcoded_text;

　　if (!is_int($end)) {

　　return $string;

　　}

　　$encoded_text = substr($search, 0, $end);

　　$rest = substr($string, (strlen($preceding . $charset . $encoding . $encoded_text)+6)); //+6 是前面去掉的=????=六个字符

　　switch ($encoding) {

　　case 'Q':

　　case 'q':

　　//$encoded_text = str_replace('_', '％20', $encoded_text);

　　//$encoded_text = str_replace('=', '％', $encoded_text);

　　//$decoded = urldecode($encoded_text);

　　$decoded=quoted_printable_decode($encoded_text);

　　if (strtolower($charset) == 'windows-1251') {

　　$decoded = convert_cyr_string($decoded, 'w', 'k');

　　}

　　break;

　　case 'B':

　　case 'b':

　　$decoded = base64_decode($encoded_text);

　　if (strtolower($charset) == 'windows-1251') {

　　$decoded = convert_cyr_string($decoded, 'w', 'k');

　　}

　　break;

　　default:

　　$decoded = '=?' . $charset . '?' . $encoding . '?' . $encoded_text . '?=';

　　break;

　　}

　　return $preceding . $decoded . $this->decode_mime($rest);

　　}

　　这个函数用了递归的方法来实现一段包含有如上的 Subject 段的字符的解码。程序中已经加上了注释。相信有点PHP 编程基础的人都能够看得明白。该函数也是调用的base64_decode（）与quoted_printable_decode（）两个系统函数实现的解码，但是需要对邮件源文件进行大量的字符串的分析。不过，PHP 的字符串操作可以算是所有语言里最为方便自由的。函数的最后return $preceding . $decoded . $this->decode_mime($rest); 实现递归解码，因为这个函数实际上是放在后面要介绍的一个 MIME解码的类中的，所以用了 $this->decode_mime($rest)这种形式的调用方法。

　　下面我们来看正文。这里关系到 MIME 的一些头信息，我们先做一个简单的介绍（如果读者有兴趣了解更多的内容，请参考 MIME 的官方文档）。

　　MIME-Version: 1.0

　　表示使用的 MIME 的版本号，一般是1.0;

　　Content-Type: 定义了正文的类型，我们实际上是通过这个标识来知道正文内是什么类型的文件，比如：

　　text/plain 表示的是无格式的文本正文，

　　text/html 表示的 Html 文档，

　　image/gif 表示的是 gif 格式的图片等等。

　　在本文中特别要说明一下的是邮件中常用到的复合类型。multipart 类型表示正文是由多个部分组成的，后面的子类型说明的是这些部分之间的关系，邮件中用到的三个类型有，

　　multipart/alternative：表示正文由两个部分组成，可以选择其中的任意一个。主要作用是在征文同时有 text 格式和 html 格式时，可以在两个正文中选择一个来显示，支持 html 格式的邮件客户端软件一般会显示其 HTML 正文，而不支持的则会显示其 Text 正文；

　　multipart/mixed ：表示文档的多个部分是混合的，指正文与附件的关系。如果邮件的 MIME 类型是

　　multipart/mixed，即表示邮件带有附件；

　　multipart/related ：表示文档的多个部分是相关的，一般用来描述 Html 正文与其相关的图片。

　　这些复合类型又是可以嵌套使用的，比如说一个带有附件的邮件，同时有 html 与 text 两种格式的正文，则邮件的结构是：

　　Content-Type: multipart/mixed

　　部分一：

　　Content Type : multipart/alternative：

　　Text 正文；

　　Html 格式的正文

　　部分二：

　　附件

　　邮件结束符；

　　由于复合类型由多个部分组成，因此，需要一个分隔符来分隔这多个部分，这就是上面的邮件源文件中的boundary="----=_NextPart_000_0007_01C03166.5B1E9510"所描述的，对于每一个Contect type :multipart/* 的内容，都会有这么一个说明，表示多个部分之间的分隔，这个分隔符是正文中不可能出现的一串古字符的组合，在文档中，以"--" 加上这个boundary 来表示一个部分的开始，在文档的结束，以"--"加boundary再在最后加上 "--" 来表示文档的结束。由于复合类型是可以嵌套使用的，因此，邮件中可能会多个boundary。

　　还有一个最重要的 MIME 头标签：

　　Content-Transfer-Encoding: base64 它表示了这个部分文档的编码方式，也就是我们上面所介绍的Base64或QP(Quote-Printable)。我们只有识别了这个说明，才能用正确的解码方式实现对其解码。

　　限于篇幅，对于 MIME 的介绍就只说到这里。下面我将给出一个解码MIME邮件的类，并对其做简要说明。

 

 

 

MIME 编码方式简介 　　Subject: =?gb2312?B?xOO6w6Oh?= 　　这里是邮件的主题，可是因为编码了，我们看不出是什么内容，其原来的文本是：“你好！”我们先看看 MIME 编码的两种方法。 　　对邮件进行编码最初的原因是因为 Internet 上的很多网关不能正确传输8 bit 内码的字符，比如汉字等。编码的原理就是把 8 bit 的内容转换成 7 bit 的形式以能正确传输，在接收方收到之后，再将其还原成 8 bit 的内容。 　　MIME 是“多用途网际邮件扩充协议”的缩写，在 MIME 协议之前，邮件的编码曾经有过 UUENCODE 等编码方式 ，但是由于 MIME 协议算法简单，并且易于扩展，现在已经成为邮件编码方式的主流，不仅是用来传输 8 bit 的字符，也可以用来传送二进制的文件 ，如邮件附件中的图像、音频等信息，而且扩展了很多基于MIME 的应用。从编码方式来说，MIME 定义了两种编码方法Base64与QP(Quote-Printable) : 　　Base 64 是一种通用的方法，其原理很简单，就是把三个Byte的数据用 4 个Byte表示，这样，这四个Byte 中，实际用到的都只有前面6 bit，这样就不存在只能传输 7bit 的字符的问题了。Base 64的缩写一般是“B”，像这封信中的Subject 就是用的 Base64 编码。 　　另一种方法是QP(Quote-Printable) 方法，通常缩写为“Q”方法，其原理是把一个 8 bit 的字符用两个16进制数值表示，然后在前面加“=”。所以我们看到经过QP编码后的文件通常是这个样子：=B3=C2=BF=A1=C7=E5=A3=AC=C4=FA=BA=C3=A3=A1。 　　在 PHP 里，系统有两个函数可以很方便地实现解码：base64_decode（）与quoted_printable_decode（），前者可用于base64 编码的解码，后者是用于 QP 编码方法的解码。 　　现在我们再来看看Subject: =?gb2312?B?xOO6w6Oh?= 这一主题的内容，这不是一段完整的编码，只有部分是编码了的，这个部分用 =? ?= 两个标记括起来，=? 后面说明的是这段文字的字符集是 GB2312 ，然后一个 ? 后面的一个 B 表示的是用的 Base64 编码。通过这段分析，我们来看一下这个 MIME 解码的函数：（该函数由 PHPX.COM 站长 Sadly 提供，本人将其放入一个类中，并做了少量的修改，在此致谢） 　　function decode_mime($string) { 　　 $pos = strpos($string, '=?'); 　　 if (!is_int($pos)) { 　　　　 return $string; 　　 } 　　 $preceding = substr($string, 0, $pos); // save any preceding text 　　 $search = substr($string, $pos+2); /* the mime header spec says this is the longest a single encoded word can be */ 　　 $d1 = strpos($search, '?'); 　　 if (!is_int($d1)) { 　　　　 return $string; 　　 } 　　 $charset = substr($string, $pos+2, $d1); //取出字符集的定义部分 　　 $search = substr($search, $d1+1); //字符集定义以后的部分＝>$search; 　　 $d2 = strpos($search, '?'); 　　 if (!is_int($d2)) { 　　　　 return $string; 　　 } 　　 $encoding = substr($search, 0, $d2); ////两个?　之间的部分编码方式　：ｑ　或　ｂ　 　　 $search = substr($search, $d2+1); 　　 $end = strpos($search, '?='); //$d2+1 与 $end 之间是编码了　的内容：=> $endcoded_text; 　　 if (!is_int($end)) { 　　　　 return $string; 　　 } 　　 $encoded_text = substr($search, 0, $end); 　　 $rest = substr($string, (strlen($preceding . $charset . $encoding . $encoded_text)+6)); //+6 是前面去掉的　=????=　六个字符 　　 switch ($encoding) { 　　 case 'Q': 　　 case 'q': 　　　　 //$encoded_text = str_replace('_', '％20', $encoded_text); 　　　　 //$encoded_text = str_replace('=', '％', $encoded_text); 　　　　 //$decoded = urldecode($encoded_text); 　　 $decoded=quoted_printable_decode($encoded_text); 　　　　 if (strtolower($charset) == 'windows-1251') { 　　　　 $decoded = convert_cyr_string($decoded, 'w', 'k'); 　　　　 } 　　　　 break; 　　 case 'B': 　　 case 'b': 　　　　 $decoded = base64_decode($encoded_text); 　　　　 if (strtolower($charset) == 'windows-1251') { 　　　　 $decoded = convert_cyr_string($decoded, 'w', 'k'); 　　　　 } 　　　　 break; 　　 default: 　　　　 $decoded = '=?' . $charset . '?' . $encoding . '?' . $encoded_text . '?='; 　　　　 break; 　　 } 　　 return $preceding . $decoded . $this->decode_mime($rest); 　　} 　　这个函数用了递归的方法来实现一段包含有如上的 Subject 段的字符的解码。程序中已经加上了注释。相信有点PHP 编程基础的人都能够看得明白。该函数也是调用的base64_decode（）与quoted_printable_decode（）两个系统函数实现的解码，但是需要对邮件源文件进行大量的字符串的分析。不过，PHP 的字符串操作可以算是所有语言里最为方便自由的。函数的最后return $preceding . $decoded . $this->decode_mime($rest); 实现递归解码，因为这个函数实际上是放在后面要介绍的一个 MIME解码的类中的，所以用了 $this->decode_mime($rest)这种形式的调用方法。 　　下面我们来看正文。这里关系到 MIME 的一些头信息，我们先做一个简单的介绍（如果读者有兴趣了解更多的内容，请参考 MIME 的官方文档）。 　　MIME-Version: 1.0 　　表示使用的 MIME 的版本号，一般是1.0; 　　Content-Type: 定义了正文的类型，我们实际上是通过这个标识来知道正文内是什么类型的文件，比如： text/plain 表示的是无格式的文本正文， text/html 表示的 Html 文档， image/gif 表示的是 gif 格式的图片等等。 　　在本文中特别要说明一下的是邮件中常用到的复合类型。multipart 类型表示正文是由多个部分组成的，后面的子类型说明的是这些部分之间的关系，邮件中用到的三个类型有， multipart/alternative：表示正文由两个部分组成，可以选择其中的任意一个。主要作用是在征文同时有 text 格式和 html 格式时，可以在两个正文中选择一个来显示，支持 html 格式的邮件客户端软件一般会显示其 HTML 正文，而不支持的则会显示其 Text 正文； multipart/mixed ：表示文档的多个部分是混合的，指正文与附件的关系。如果邮件的 MIME 类型是 multipart/mixed，即表示邮件带有附件； multipart/related ：表示文档的多个部分是相关的，一般用来描述 Html 正文与其相关的图片。 　　这些复合类型又是可以嵌套使用的，比如说一个带有附件的邮件，同时有 html 与 text 两种格式的正文，则邮件的结构是： 　　Content-Type: multipart/mixed 　　 部分一： 　　 Content Type : multipart/alternative： 　　 Text 正文； 　　 Html 格式的正文　 　　部分二： 　　 附件 　　邮件结束符； 　　由于复合类型由多个部分组成，因此，需要一个分隔符来分隔这多个部分，这就是上面的邮件源文件中的boundary="----=_NextPart_000_0007_01C03166.5B1E9510"所描述的，对于每一个Contect type :multipart/* 的内容，都会有这么一个说明，表示多个部分之间的分隔，这个分隔符是正文中不可能出现的一串古字符的组合，在文档中，以　"--" 加上这个boundary 来表示一个部分的开始，在文档的结束，以"--"加boundary再在最后加上 "--" 来表示文档的结束。由于复合类型是可以嵌套使用的，因此，邮件中可能会多个　boundary　。 　　还有一个最重要的 MIME 头标签： 　　Content-Transfer-Encoding: base64 它表示了这个部分文档的编码方式，也就是我们上面所介绍的Base64或QP(Quote-Printable)。我们只有识别了这个说明，才能用正确的解码方式实现对其解码。 　 限于篇幅，对于 MIME 的介绍就只说到这里。下面我将给出一个解码MIME邮件的类，并对其做简要说明。