首页
/ Incoming! - 在Rack应用中接收邮件的利器

Incoming! - 在Rack应用中接收邮件的利器

2024-08-28 09:22:05作者:谭伦延

项目介绍

Incoming! 是一个由 Honeybadger.io 开发的Ruby gem,专为Rack应用设计,用于接收和处理邮件。它能够将Rack::Request转换为Mail::Message对象,类似于ActionMailer::Base.receive处理原始邮件的方式。Incoming! 支持多种邮件服务,包括SendGrid、Mailgun、Postmark、CloudMailin、Mandrill以及任何能够将邮件路由到系统命令的邮件服务器。

项目技术分析

Incoming! 的核心功能是通过不同的策略(strategies)来处理来自不同邮件服务的HTTP POST请求。每个策略都实现了receive方法,该方法接收一个Rack::Request对象,并返回一个Mail::Message对象。这使得开发者可以轻松地在Rack应用中集成邮件接收功能,而无需关心底层邮件服务的具体实现细节。

项目及技术应用场景

Incoming! 适用于以下场景:

  • Web应用开发:在Rack或Rails应用中集成邮件接收功能,用于处理用户通过邮件发送的数据。
  • 自动化任务:通过邮件触发自动化任务,如数据备份、报告生成等。
  • 客户支持系统:构建基于邮件的客户支持系统,自动解析和处理客户邮件。

项目特点

  • 多服务支持:支持SendGrid、Mailgun、Postmark、CloudMailin、Mandrill等多种邮件服务,以及任何能够将邮件路由到系统命令的邮件服务器。
  • 易于集成:只需在Gemfile中添加gem "incoming",并创建一个接收邮件的类,即可在Rack应用中使用。
  • 灵活性高:提供多种策略,开发者可以根据需要选择合适的策略,并自定义邮件处理逻辑。
  • 开源免费:Incoming! 是开源软件,遵循MIT许可证,开发者可以自由使用和修改。

安装与使用示例

安装

  1. 在Gemfile中添加Incoming!:
    gem "incoming"
    
  2. 运行bundle install

示例代码

以下是一个使用SendGrid策略的示例:

class EmailReceiver < Incoming::Strategies::SendGrid
  def receive(mail)
    %(Got message from #{mail.to.first} with subject "#{mail.subject}")
  end
end

req = Rack::Request.new(env)
result = EmailReceiver.receive(req) # => Got message from whoever@wherever.com with subject "hello world"

Rails控制器示例

# app/controllers/emails_controller.rb
class EmailsController < ActionController::Base
  def create
    if EmailReceiver.receive(request)
      render json: { status: "ok" }
    else
      render json: { status: "rejected" }, status: 403
    end
  end
end
# config/routes.rb
Rails.application.routes.draw do
  post "/emails" => "emails#create"
end

结语

Incoming! 是一个功能强大且易于集成的邮件接收工具,适用于各种Rack应用。无论你是开发Web应用、自动化任务还是客户支持系统,Incoming! 都能为你提供便捷的邮件处理解决方案。快来尝试吧!


如果你对Incoming! 感兴趣,欢迎访问GitHub项目页面了解更多信息和贡献代码。

登录后查看全文
热门项目推荐

项目优选

收起
docsdocs
暂无描述
Markdown
832
5.52 K
kernelkernel
openEuler内核是openEuler操作系统的核心,既是系统性能与稳定性的基石,也是连接处理器、设备与服务的桥梁。
C
497
522
pytorchpytorch
作为 Ascend for PyTorch 社区的核心组件,TorchNPU 是昇腾专为 PyTorch 打造的深度学习适配插件,使 PyTorch 框架能够直接调用昇腾 NPU,为开发者提供昇腾 AI 处理器的超强算力。
Python
808
1.17 K
ops-nnops-nn
本项目是CANN提供的神经网络类计算算子库,实现网络在NPU上加速计算。
C++
802
1.6 K
ops-transformerops-transformer
本项目是CANN提供的transformer类大模型算子库,实现网络在NPU上加速计算。
C++
982
2.32 K
kernelkernel
deepin linux kernel
C
33
16
jiuwenswarmjiuwenswarm
JiuwenSwarm 是一款基于openJiuwen开发的智能AI Agent,它能够将大语言模型的强大能力,通过你日常使用的各类通讯应用,直接延伸至你的指尖。
Python
3.05 K
786
AscendNPU-IRAscendNPU-IR
AscendNPU-IR是基于MLIR(Multi-Level Intermediate Representation)构建的,面向昇腾亲和算子编译时使用的中间表示,提供昇腾完备表达能力,通过编译优化提升昇腾AI处理器计算效率,支持通过生态框架使能昇腾AI处理器与深度调优
C++
486
315
ops-mathops-math
本项目是CANN提供的数学类基础计算算子库,实现网络在NPU上加速计算。
C++
1.21 K
1.27 K
cann-learning-hubcann-learning-hub
CANN 学习中心仓,支持在线互动运行、边学边练,提供教程、示例与优化方案,一站式助力昇腾开发者快速上手。
Jupyter Notebook
668
316