Pour traiter efficacement les emails HTML, il est crucial d'éliminer les citations superflues générées lors des réponses et transferts. La bibliothèque Talon, via son module html_quotations, permet de réaliser cette tâche avec un code minimal. Voici comment l'utiliser.

Configuration Initiale

Assurez-vous d'avoir installé Talon et ses dépendances. Le module repose sur lxml pour le parsing HTML.

Extraction de Base

Le code suivant supprime les citations de style Gmail :

from talon import html_quotations
import lxml.etree

def nettoyer_email(contenu_html):
    arbre = lxml.etree.HTML(contenu_html)
    html_quotations.cut_gmail_quote(arbre)
    return lxml.etree.tostring(arbre, encoding='unicode').strip()

La fonction cut_gmail_quote cible spécifiquement les blocs div.gmail_quote. Talon inclut d'autres fonctions adaptées à divers clients mail.

Prise en Charge Multiple

Pour gérer différentes sources, combinez les fonctions dédiées :

from talon import html_quotations
import lxml.etree

def extraire_contenu_principal(html_source):
    doc = lxml.etree.HTML(html_source)
    
    extracteurs = [
        html_quotations.cut_microsoft_quote,
        html_quotations.cut_zimbra_quote,
        html_quotations.cut_blockquote,
        html_quotations.cut_by_id,
        html_quotations.cut_from_block
    ]
    
    for fonction in extracteurs:
        if fonction(doc):
            break
    
    return lxml.etree.tostring(doc, method='html', encoding='unicode')

Ce script applique séquentiellement les fonctions jusqu'à en trouver une efficace. Chaque fonction correspond à un format spécifique :

• cut_microsoft_quote : gère les citations d'Outlook avec leurs séparateurs variés.
• cut_blockquote : cible les balises <blockquote> standard.
• cut_by_id : identifie les sections par ID (ex : OLK_SRC_BODY_SECTION).
• cut_from_block : reconnaît les blocs commençant par "From:".

Implémentation Avancée

Pour une extraction plus robuste, intégrez une logique de détection basée sur le contenu :

import lxml.etree
from talon import html_quotations

def analyser_et_extraire(texte_html):
    racine = lxml.etree.HTML(texte_html)
    
    # Détection et suppression itérative
    transformations = [
        ('gmail', html_quotations.cut_gmail_quote),
        ('outlook', html_quotations.cut_microsoft_quote),
        ('zimbra', html_quotations.cut_zimbra_quote),
        ('generique', html_quotations.cut_blockquote)
    ]
    
    for etiquette, transformateur in transformations:
        if transformateur(racine):
            print(f"Citation de type {etiquette} supprimée.")
            break
    
    return lxml.etree.tostring(racine, pretty_print=True, encoding='unicode')

Cette version ajoute une journalisation simple et utilise un format de sortie indenté pour une meilleure lisibilité.

Notes d'Utilisation

Le module html_quotations se trouve dans le fichier source talon/html_quotations.py. Pour des cas d'usage complexes, consultez les tests unitaires associés pour comprendre les cas limites et les formats supportés.