up

2026-04-25 15:02:07 -05:00
parent f71e009641
commit 08be3f254d
2 changed files with 52 additions and 10 deletions
@@ -26,6 +26,9 @@ class BancolombiaParser
        // Limpiar HTML si llega con etiquetas
        $text = self::stripHtml($text);

+        // Limpiar referencias URL entre corchetes: "Logo Bancolombia [http://...]"
+        $text = preg_replace('/\[https?:\/\/[^\]]*\]/i', '', $text);
+
        // Normalizar espacios y saltos de línea
        $text = preg_replace('/\s+/', ' ', $text);
        $text = trim($text);
@@ -291,31 +291,70 @@ class CorreoImapService

    private function cleanBody(string $body): string
    {
-        // Quitar quoted-printable si aplica (antes de tocar HTML)
-        if (str_contains($body, '=\r\n') || preg_match('/=[0-9A-F]{2}/i', $body)) {
+        // ── 1. MIME multipart: extraer SOLO la parte text/plain ──────────
+        // Los emails de Bancolombia son multipart/alternative.
+        // Detectamos el boundary en la primera línea --boundary
+        if (preg_match('/^--([^\r\n]+)/m', $body, $bm)) {
+            $plainPart = $this->extractMimePlainPart($body, $bm[1]);
+            if ($plainPart !== null) {
+                $body = $plainPart;
+            }
+        }
+
+        // ── 2. Decodificar quoted-printable ──────────────────────────────
+        if (preg_match('/=[0-9A-F]{2}/i', $body) || preg_match('/=\r?\n/m', $body)) {
            $body = quoted_printable_decode($body);
        }

-        // Quitar líneas de separadores de partes MIME
-        $body = preg_replace('/--[^\r\n]+\r?\n/m', '', $body);
-
-        // Eliminar líneas de cabecera de parte MIME (Content-Type, etc.)
+        // ── 3. Eliminar cabeceras MIME residuales ────────────────────────
        $body = preg_replace('/^(Content-[^\r\n]+\r?\n)+/mi', '', $body);

-        // Si el cuerpo contiene HTML, procesarlo adecuadamente
+        // ── 4. Limpiar URLs de imágenes entre corchetes: "Logo [http://...]"
+        $body = preg_replace('/\[https?:\/\/[^\]]*\]/i', '', $body);
+
+        // ── 5. Si aún contiene HTML (fallback) quitar etiquetas ──────────
        if (preg_match('/<[a-z][\s>]/i', $body)) {
            $body = self::stripHtmlFull($body);
        }

-        // Normalizar saltos de línea
+        // ── 6. Normalizar espacios y líneas ──────────────────────────────
        $body = str_replace(["\r\n", "\r"], "\n", $body);
-
-        // Recortar líneas en blanco excesivas
        $body = preg_replace('/\n{3,}/', "\n\n", $body);

        return trim($body);
    }

+    /**
+     * Extrae el contenido de la parte text/plain de un cuerpo MIME multipart.
+     * Devuelve null si no se encuentra o el email no es multipart.
+     */
+    private function extractMimePlainPart(string $body, string $boundary): ?string
+    {
+        $escaped = preg_quote(rtrim($boundary), '/');
+
+        // Separar por --boundary (con o sin espacios/CRLF alrededor)
+        $parts = preg_split('/--' . $escaped . '(?:--)?[ \t]*\r?\n/', $body, -1, PREG_SPLIT_NO_EMPTY);
+
+        foreach ($parts as $part) {
+            // Ignorar partes sin cabeceras MIME
+            if (stripos($part, 'Content-Type:') === false) {
+                continue;
+            }
+
+            // ¿Es text/plain?
+            if (!preg_match('/Content-Type:\s*text\/plain/i', $part)) {
+                continue;
+            }
+
+            // Separar cabeceras del cuerpo (doble CRLF o LF)
+            if (preg_match('/\r?\n\r?\n(.+)$/s', $part, $m)) {
+                return $m[1];
+            }
+        }
+
+        return null;
+    }
+
    /**
     * Elimina completamente bloques <style>, <script>, <head> y luego
     * convierte etiquetas estructurales en saltos de línea antes de strip_tags.