在电子邮件开发与自动化处理领域，一个长期困扰程序员的技术细节再度引发热议：当我们需要从HTML邮件正文中自动移除被回复或引用的历史内容时，正则表达式（regex）能否胜任跨客户端的“清洁工作”？日前，一封标题为《Stripping quoted/replied content from HTML email bodies across clients with regex. which markers am I missing and where will it break?》的技术讨论帖在开发者社区引起广泛关注。该问题直击邮件解析工具的核心痛点——不同邮件客户端对引用内容采用了迥异的标记方式，导致通用的正则匹配策略频频失效。

背景：为何要剥离引用内容？

在邮件自动化、客服系统、归档分析或内容抓取等场景中，程序需要获取邮件正文的“最新”部分，而自动剥离用户回复时携带的原始邮件引用（quoted/replied content）是第一步。例如，一个客服工单系统若将整个对话历史都存入标题字段，不仅会淹没关键问题，还会影响搜索与统计。然而，现实中的邮件正文往往是多轮往复的嵌套引用，格式从纯文本的“>”前缀，到HTML的块级元素包裹（如<blockquote>或<div class="gmail_quote">），再到Outlook特有的MIME标记，其混乱程度远超想象。

挑战：各客户端“各怀鬼胎”

发起该讨论的开发者坦言，他目前的正则表达式已经能够覆盖Gmail、Yahoo Mail、Outlook Web App中常见的引用标记，包括：

  • Gmail：<div class="gmail_quote">及后续的<blockquote>嵌套；
  • Outlook桌面版：使用MIME结构中的<div class="OutlookMessageHeader">或<hr>分隔线；
  • Apple Mail：采用<blockquote type="cite">；
  • 纯文本引用：以“>”或“|”开头的行。

但问题在于：漏网之鱼太多。例如：

  • 微软Outlook 365：新版本开始使用<div class="x_gmail_quote">等动态类名，无法通过固定类名匹配；
  • Thunderbird：允许用户自定义引用前缀，常规regex无法预判；
  • 移动端邮件应用：如iOS Mail有时不插入HTML标记，仅通过换行与灰色背景区分；
  • 非英文环境：法语的“Le ... a écrit :”、日语的“--- 元のメッセージ ---”等语言变体，regex根本无法硬编码所有语言。

痛点：正则的边界在哪里？

资深邮件协议工程师李光（化名）表示，正则表达式适合处理结构化、模式稳定的文本，但跨客户端的邮件引用正是典型的“非结构化”数据。“你不可能用一行regex同时匹配<div class="gmail_quote">和来自Samsung电子邮件客户端的<div style="padding-left:5px; border-left:solid 2px #cccccc;">——前者是类名，后者是内联样式。”他补充道，更棘手的是不同地域、不同版本的邮件客户端会穿插使用<style>标签定义引用块，甚至将引用内容隐藏在<!-- -->注释中，导致regex彻底失效。

该讨论帖下，多位开发者分享了各自的“翻车”经历：有人因为忽略了对<div>标签递归深度的限制，导致正则误删了正文中的<blockquote>引用（如用于引述名人名言）；有人则因点号（.）默认不匹配换行符，错过了多行引用头；还有人发现，某些邮件服务商会将引用内容以纯文本base64编码的形式嵌入，根本无法肉眼识别。

业界方案：正则并非终点

面对这一困境，业界已有一些相对成熟的应对策略。知名PHP邮件处理库EmailReplyParser（源于GitHub的Markdown引擎）采用分层解析：先通过MIME结构分离HTML与纯文本部分，再结合启发式规则（如检测缩进深度、查找“On ... wrote:”等常见模式）进行剥离。类似的思路在Python的mail-parser、Node.js的node-email-reply-parser中也有体现。

但即便如此，这些库仍然无法保证100%准确。邮件客户端迭代速度太快，Google在2021年将Gmail引用块的<div class="gmail_quote">改为<div data-smartmail="gmail_quote">，导致旧版库集体失效。有开发者调侃：“每当你认为自己写了一个足够健壮的正则，某个邮件客户端就会出一个新特性来打脸。”

展望：AI能否破局？

随着自然语言处理技术的发展，部分团队开始尝试使用机器学习模型来判断哪一部分属于“新”内容。例如，通过训练一个序列分类器，对邮件正文的每一个段落或句子打上“original”或“quoted”标签。但这种方法需要大量标注数据，且因隐私问题难以收集，目前仍停留在实验室阶段。

对于大多数开发者而言，当下最务实的做法依然是：维护一个可扩展的、由多个正则组成的规则列表，并结合常见客户端的用户代理（User-Agent）做针对性预处理。同时，在重要场景下应保留人工校验接口——毕竟，机器永远无法完全理解一封邮件中“引用”与“正文”的模糊边界。

正如该讨论帖作者在结尾所言：“如果你发现一个正则能够完美处理所有邮件，请务必告诉我——我会把它加入我的墓碑铭文。”在这场与邮件引用格式的持久战中，正则或许只是初级武器，但也是每个开发者不得不拿起的“瑞士军刀”。