EML 邮件导入搜索

本地邮件检索的痛点

企业或个人的 .eml 邮件文件散落在本地目录，直接搜索文件内容既慢又不精确，手动整理分类更是重复劳动。这个技能把 .eml 文件解析后导入 SQLite 数据库，让邮件变成可查询的结构化数据，支持全文检索、自动分类和多维度过滤。

核心能力与关键步骤

• 解析与导入：提取主题、发件人、收件人、日期、正文和附件信息，写入 emails 表。增量导入会跳过已处理文件，避免重复入库。
• 分类模式：

- 通用分类：基于主题关键词自动识别周报、通知、回复、转发等类型。
- 用户自定义：通过 JSON 文件定义关键词规则，按顺序匹配。
- AI 自动生成：读取邮件内容分析高频词，生成分类规则供确认后应用，适合业务领域不熟悉的场景。

• 检索与过滤：FTS5 全文检索结合 LIKE 模糊匹配，支持短语搜索、--category 分类过滤、--date-from / --date-to 日期范围以及 --from 发件人筛选。
• 自动整理文件：使用 --auto-organize 参数可按分类创建子目录并移动文件，重名文件自动加后缀，数据库路径同步更新。

适用边界与注意点

• 仅依赖 Python 3.8+ 标准库，无需额外 pip 安装，跨 Windows、macOS、Linux 兼容。
• 文件移动会导致增量导入失效，重新入库前建议保持目录结构稳定。
• 分类规则依赖关键词匹配，正文编码异常或主题含糊的邮件可能归入 OTHER，需结合 parse_error 字段排查。
• AI 生成规则需人工确认后再应用，避免误分类影响后续检索结果。