Una de las cosas que me sacan de quicio de la programación orientada a objetos (aparte de la enorme longitud de línea) es que hace falta que el objeto se inicialice. Veamos un caso.

(Introducción larga, puedes saltar al siguiente mensaje).

Quiero dividir un mailbox de google que tiene 12 gigas.

Mi primera idea es usar sed, y buscar líneas que empiecen con "From ". Pero claro, con Sed es complicado exigir que haya dos saltos de línea antes del from o comprobar cuántos bytes llevamos, desisto y pienso en basic.

OpenOffice todavía permite leer ficheros con instrucciones basic directas. Pruebo un primer ejemplo para depurar si puedo leer un par de correos y ver el seek inicial, pero el hecho de que el print de libreoffice no vaya a una consola (en general, el hecho de que libreoffice no tenga un modo inmediato), me hacen reiniciar en windows y buscar una solución ya hecha.

Thunderbird tiene ya configurada una cuenta que no quiero mezclar con gmail, y tampoco quiero configurar gmail (¿no hay una opción mbox local?), así que descarto.

Veo dos scripts de python que pueden valerme, y ahí es donde encuentro el problema.

(+)

Ambos scripts cargan el mbox como un objeto mbox, y luego van buscando uno a uno los mensajes. Compruebo en el source code que cada vez que leen un mensaje actualizan la cuenta de mensajes.

Pero en mi ordenador no llegan (al menos en 10 minutos) a leer el primer mensaje.

Mi teoría es que el objeto mailbox de python lee el archivo entero (12 gigas en un ordenador con 9 gigas de espacio libre interno), colapsa y no devuelve un puntero válido. O quizá no colapsa, pero no empieza a iterar por los mensajes hasta que los lee *todos*.

Tiradme un ladrillo a la cabeza, pero en el tipo de programación clásico, para el que el objeto mbox está pensado, tú leías línea a línea desde el primer from hasta la siguiente secuencia de dos líneas en blanco, y si la siguiente acababa en from, comprobabas la longitud y seguías. Procesabas los mensajes linealmente en el propio archivo, y el parser funcionaba línea a línea, no a nivel de base de datos.

Que sí, que si lo que quieres es buscar en un mailbox es mejor un objeto, pero si solo quieres dividirlo, con algo secuencial te vale.

@microblogc más bien es que la API permite leer mensajes en orden arbitrario y crear un índice es una estrategia sencilla (pero catastrófica para ficheros enormes).

Habría que ver bien qué quieres hacer, pero hay muchas herramientas para trabajar con GMail por IMAP y sincronizar a otros servidores o a ficheros locales en varios formatos (incluyendo maildir).

@microblogc (Así mismo, la amplitud de la librería de Python es muchas veces la mar de práctica, pero muchas partes están congeladas o directamente marcadas para su eliminación. No le pediría mucho, cada vez se centran más en lo esencial del lenguaje. Las "pilas incluidas" bienvenidas sean cuando funcionan, pero IMHO tampoco esperemos muchísimo...)