使用Python,SMTP发邮件到qq邮箱(文本/超链接/图片/表格/附件表格)

news/2024/9/22 9:51:18

使用Python,SMTP发邮件到qq邮箱(文本/超链接/图片/表格/附件表格)

这篇博客将介绍如何利用SMTP,使用Python向qq邮箱自动发邮件,包括正文文本+超链接+图片+表格,附件图片+表格,收件人可多个,分隔

1. 效果图

正文文本+超链接+图片+表格,效果图如下:

在这里插入图片描述

正文表格,附件图片+表格,效果图如下:

在这里插入图片描述

2. 源码

# -*- coding: utf-8 -*-
# 利用SMTP,向qq邮箱发送邮件,包括正文文本+图片+表格,附件图片+表格;
# python sendMailDf.pyimport numpy as np
import pandas as pd
import matplotlib.pyplot as plt# 画图时,中文字体和负号无法显示, 可按下面语句设置
import matplotlib as mplmpl.rcParams['font.sans-serif'] = ['KaiTi']  # 设置要使用字体
mpl.rcParams['font.serif'] = ['KaiTi']
mpl.rcParams['axes.unicode_minus'] = False  # 使 - 号显示import smtplib
from email.header import Header
from email.mime.text import MIMEText
from email.mime.image import MIMEImage
from email.mime.multipart import MIMEMultipart
from email.mime.application import MIMEApplication# 设置初始化参数
mail_user = '139xxxxx'  # 邮箱登录名,此处使用QQ邮箱,填写QQ号即可,不用带@qq.com
mail_pass = 'anbudddddee'  # QQ邮箱授权码sender = '139xxxxx@qq.com'  # 发件人
receivers = ['139xxxxx@qq.com']  # 收件人列表,list形式
chaosong = ['139xxxxx@qq.com']  # 抄送人列表,list形式# 设置邮件体对象
msg = MIMEMultipart()  # 邮件体对象,此处可加入参数, 具体可百度
subject = 'python send email test'  # 邮件主题
msg['subject'] = Header(subject, 'utf-8')  # 加入邮件主题
msg['From'] = "{}".format(sender)  # 加入邮件发送人
msg['To'] = ",".join(receivers)  # 加入邮件接收人
msg['Cc'] = ",".join(chaosong)  # 加入邮件抄送人,如无,可注释掉# 数据处理
ts = pd.Series(np.random.randn(1000), index=pd.date_range("1/1/2000", periods=1000))
ts = ts.cumsum()
ts.plot()
df = pd.DataFrame(np.random.randn(1000, 4), index=ts.index, columns=["A", "B", "C", "D"]
)
df = df.cumsum()
plt.figure()
df.plot()
plt.legend(loc='upper left')
plt.savefig("data_image.jpg")# 表格
df_count = pd.read_excel("foo.xlsx", "Sheet1", index_col=None, na_values=["NA"])# 网页内容,有链接,插入图片
data_link = 'http://www.gov.cn/shuju/2017sjcs/sjxqpage.htm'
htmlFile = """\
<html><head></head><body><pre style="font-family:arial">Dears,以下是foo数据,它指企业(单位、个体户)通过交易直接售给个人、社会集团非生产、非经营用的实物商品金额,以及提供餐饮服务所取得的收入金额。个人包括城乡居民和入境人员,社会集团包括机关、社会团体、部队、学校、企事业单位、居委会或村委会等。所用数据链接:<a href="{link}">{link}</a>.</pre><p>图1 随机数据测试表格:<br /><img src="cid:0", width=720, height=420  ></p></body>
</html>
""".format(link=data_link)
htmlApart = MIMEText(htmlFile, 'html')# 在正文中显示图片
imageFile = "ym.jpg"
imageApart = MIMEImage(open(imageFile, 'rb').read(), imageFile.split('.')[-1])
imageApart.add_header('Content-ID', '<0>')
msg.attach(imageApart)
msg.attach(htmlApart)# 邮件正文中嵌入表格
table_title = "表1 随机数据测试表格"def get_html_msg(df, table_title):"""1. 构造html信息"""df_html = df.to_html(escape=False)# 表格格式head = \"""<head><meta charset="utf-8"><STYLE TYPE="text/css" MEDIA=screen>table.dataframe {border-collapse: collapse;border: 2px solid #a19da2;/*默认居中auto显示整个表格*/margin: left;}table.dataframe thead {border: 2px solid #91c6e1;background: #f1f1f1;padding: 10px 10px 10px 10px;color: #333333;}table.dataframe tbody {border: 2px solid #91c6e1;padding: 10px 10px 10px 10px;}table.dataframe tr {}table.dataframe th {vertical-align: top;font-size: 14px;padding: 10px 10px 10px 10px;color: #105de3;font-family: arial;text-align: center;}table.dataframe td {text-align: left;padding: 10px 10px 10px 10px;}body {font-family: 宋体;}h1 {color: #5db446}div.header h2 {color: #0002e3;font-family: 黑体;}div.content h2 {text-align: center;font-size: 28px;text-shadow: 2px 2px 1px #de4040;color: #fff;font-weight: bold;background-color: #008eb7;line-height: 1.5;margin: 20px 0;box-shadow: 10px 10px 5px #888888;border-radius: 5px;}h3 {font-size: 22px;background-color: rgba(0, 2, 227, 0.71);text-shadow: 2px 2px 1px #de4040;color: rgba(239, 241, 234, 0.99);line-height: 1.5;}h4 {color: #e10092;font-family: 楷体;font-size: 20px;text-align: center;}td img {/*width: 60px;*/max-width: 300px;max-height: 300px;}</STYLE></head>"""# 构造正文表格body = \"""<body><div align="center" class="header"><!--标题部分的信息--><!--<h1 align="left">{table_title}</h1>--><p align="left">{table_title}</p></div><div class="content">{df_html}</div></body><br /><br />""".format(df_html=df_html, table_title=table_title)html_msg = "<html>" + head + body + "</html>"#    这里是将HTML文件输出,作为测试的时候,查看格式用的,正式脚本中可以注释掉#    fout = open('test.html', 'w', encoding='UTF-8', newline='')#    fout.write(html_msg)return html_msg# html 内容
html_msg = get_html_msg(df_count, table_title)
content_html = MIMEText(html_msg, "html", "utf-8")
msg.attach(content_html)# 加入多个附件
files = ['data_image.jpg', 'foo.xlsx']
for i in np.arange(len(files)):attFile = MIMEApplication(open(files[i], 'rb').read())attFile.add_header('Content-Disposition', 'attachment', filename=files[i])msg.attach(attFile)# 发送邮件,参数设置
sftp_obj = smtplib.SMTP_SSL(host='smtp.qq.com', port=465)
sftp_obj.login(mail_user, mail_pass)
sftp_obj.sendmail(sender, receivers, msg.as_string())
sftp_obj.quit()
sftp_obj.close()
print('\nThe email has been sent successfully')
del msg

参考

  • https://blog.csdn.net/songszp/article/details/126316900
  • Python3实现发送qq邮件、发送图片、表格、附件等
  • https://blog.csdn.net/m0_46388544/article/details/125031024

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.pgtn.cn/news/17504.html

如若内容造成侵权/违法违规/事实不符,请联系我们进行投诉反馈,一经查实,立即删除!

相关文章

图像搜索引擎1|使用Python颜色直方图在数据集中搜索视觉上相似的图像

图像搜索引擎1|使用Python颜色直方图在数据集中搜索视觉上相似的图像 这篇博客将介绍如何从头到尾创建图像搜索引擎。第一步是选择一个图像描述符——使用3D RGB直方图来表征图像的颜色。然后通过提取特征向量(即直方图)使用描述符对数据集中的每个图像进行索引。然后使用卡…

读书笔记3|使用Python,networkx对卡勒德胡赛尼三部曲之——《群山回唱》人物关系图谱绘制

读书笔记3|《群山回唱》-卡勒德胡赛尼 踉跄前行中&#xff0c;你总能在他们身上找到丢失的那一部分记忆。 一度看不下去这本书&#xff0c;因为最开始的章节里太痛了&#xff0c;加上我也离开我的孩子&#xff0c;生活已经够苦&#xff0c;我需要一点糖。这次实在太无聊了&…

使用Python,Open3D对点云散点投影到面上并可视化,使用3种方法计算面的法向量及与平均法向量的夹角

使用Python&#xff0c;Open3D对点云散点投影到面上并可视化&#xff0c;使用3种方法计算面的法向量及与平均法向量的夹角 写这篇博客源于博友的提问&#xff0c;他坚定了我继续坚持学习的心&#xff0c;带给了我充实与快乐。 将介绍以下5部分&#xff1a; 随机生成点云点投影…

DB2 9 使用拓荒(733 检讨)认证指南,第 2 部分: DB2 数据操作(6)

学习根柢根底观观点操作游标游标措置概述在本节中&#xff0c;您将更进一步看到若安在嵌入式 SQL 使用次第中运用游标。异常&#xff0c;根柢根底的步骤照旧是声明、翻开、获取、更新/删除&#xff08;可选&#xff09;和封闭。为了赞助看法游标的观观点&#xff0c;假定 DB2 构…

计算机视觉|针孔成像,相机内外参及相机标定,矫正的重要性

计算机视觉读书笔记|相机内外参及相机标定&#xff0c;矫正的重要性 这篇博客将介绍针孔成像&#xff0c;透镜&#xff08;弥补了针孔成像曝光不足成像速度慢的缺点&#xff0c;但引进了畸变&#xff0c;主要是径向畸变和切向畸变&#xff0c;径向畸变主要是离中心越远越弯曲&…

计算机视觉|投影与三维视觉

这一篇将学习投影与三维视觉&#xff0c;沿用上一篇 计算机视觉|针孔成像&#xff0c;相机内外参及相机标定&#xff0c;矫正的重要性 摄像机内参数矩阵M、畸变参数、旋转矩阵R、平移向量T以及但影响矩阵H。回顾放射和投影变换&#xff0c;并使用POSIT算法从一幅图像中查找获得…

3. 使用PyTorch深度学习库训练第一个卷积神经网络CNN

这篇博客将介绍如何使用PyTorch深度学习库训练第一个卷积神经网络&#xff08;CNN&#xff09;。训练CNN使用 KMNIST 数据集&#xff08;MNIST digits数据集的替代品&#xff0c;内置在PyTorch中&#xff09;识别手写平假名字符&#xff08;handwritten Hiragana characters&am…

小手段:开启 GNOME 的窗口分组效果

Toy Posted in Tips用过 Windows XP 的伴侣除夜要都晓得它有一项分组雷同义务栏按钮的效果&#xff0c;该效果主动将同类窗口的义务按钮折叠为一个单独的按钮&#xff0c;从而无效处置义务栏的窗口拥堵后果。其实&#xff0c;在 Linux 的 GNOME 桌面情况中也有雷同的效果──窗…