Docker-Mailserver 中配置 Dovecot 自动清理垃圾邮件和回收站
在邮件服务器管理中,自动清理过期邮件是一个常见的需求。本文将介绍如何在 Docker-Mailserver 项目中配置 Dovecot 的自动清理功能,实现定时清理垃圾邮件(Junk)和回收站(Trash)中的邮件。
自动清理功能简介
Dovecot 提供了 autoexpunge 功能,可以自动删除指定时间前的邮件。这个功能特别适合用于:
- 垃圾邮件文件夹(Junk):通常垃圾邮件保留30天就足够了
- 回收站文件夹(Trash):用户删除的邮件可以保留90天
配置方法
在 Docker-Mailserver 中,我们可以通过修改 dovecot.cf 配置文件来实现自动清理功能。以下是完整的配置示例:
# 启用日期保存字段缓存
mail_always_cache_fields = date.save
# 配置命名空间和邮箱自动清理规则
namespace inbox {
mailbox Junk {
autoexpunge = 30d
autoexpunge_max_mails = 100
}
mailbox Trash {
autoexpunge = 90d
autoexpunge_max_mails = 100
}
}
配置参数说明
-
mail_always_cache_fields = date.save
这个设置确保 Dovecot 会缓存邮件的原始保存日期。如果不设置这个参数,Dovecot 可能会使用文件系统的创建时间(ctime)作为判断依据,导致自动清理功能失效。 -
autoexpunge = 30d
设置邮件在30天后自动删除。对于垃圾邮件文件夹(Junk),30天是一个合理的保留期限。 -
autoexpunge_max_mails = 100
设置每次自动清理最多处理100封邮件。这个参数可以防止一次性处理过多邮件导致服务器负载过高。
技术细节
日期保存机制
Dovecot 使用 date.saved 字段来判断邮件保存时间。如果没有正确配置缓存,Dovecot 可能会使用文件系统的 ctime 属性,这在容器环境中会导致问题,因为:
- 容器启动时可能会重置文件的 ctime
- 存储卷挂载时也可能影响 ctime
因此,必须配置 mail_always_cache_fields = date.save 来确保使用正确的保存时间。
验证配置
配置完成后,可以使用以下命令验证配置是否生效:
-
检查 Dovecot 配置:
doveconf在输出中应该能看到各个邮箱的自动清理配置。
-
检查邮件保存日期:
doveadm fetch -u 用户名 "date.saved any.field" 邮箱名这个命令可以查看邮件的实际保存日期。
最佳实践建议
-
对于生产环境,建议先设置较短的测试周期(如30秒)验证功能是否正常工作。
-
根据邮件服务器的负载情况,适当调整
autoexpunge_max_mails参数,避免一次性处理过多邮件影响服务器性能。 -
对于大型邮件服务器,可以考虑使用 Dovecot 的元数据功能进行更精细的控制,但这需要额外的配置。
通过以上配置,Docker-Mailserver 可以自动清理过期邮件,既节省存储空间,又保持邮件系统的整洁高效。
AutoGLM-Phone-9BAutoGLM-Phone-9B是基于AutoGLM构建的移动智能助手框架,依托多模态感知理解手机屏幕并执行自动化操作。Jinja00
Kimi-K2-ThinkingKimi K2 Thinking 是最新、性能最强的开源思维模型。从 Kimi K2 开始,我们将其打造为能够逐步推理并动态调用工具的思维智能体。通过显著提升多步推理深度,并在 200–300 次连续调用中保持稳定的工具使用能力,它在 Humanity's Last Exam (HLE)、BrowseComp 等基准测试中树立了新的技术标杆。同时,K2 Thinking 是原生 INT4 量化模型,具备 256k 上下文窗口,实现了推理延迟和 GPU 内存占用的无损降低。Python00
GLM-4.6V-FP8GLM-4.6V-FP8是GLM-V系列开源模型,支持128K上下文窗口,融合原生多模态函数调用能力,实现从视觉感知到执行的闭环。具备文档理解、图文生成、前端重构等功能,适用于云集群与本地部署,在同类参数规模中视觉理解性能领先。Jinja00
HunyuanOCRHunyuanOCR 是基于混元原生多模态架构打造的领先端到端 OCR 专家级视觉语言模型。它采用仅 10 亿参数的轻量化设计,在业界多项基准测试中取得了当前最佳性能。该模型不仅精通复杂多语言文档解析,还在文本检测与识别、开放域信息抽取、视频字幕提取及图片翻译等实际应用场景中表现卓越。00
GLM-ASR-Nano-2512GLM-ASR-Nano-2512 是一款稳健的开源语音识别模型,参数规模为 15 亿。该模型专为应对真实场景的复杂性而设计,在保持紧凑体量的同时,多项基准测试表现优于 OpenAI Whisper V3。Python00
GLM-TTSGLM-TTS 是一款基于大语言模型的高质量文本转语音(TTS)合成系统,支持零样本语音克隆和流式推理。该系统采用两阶段架构,结合了用于语音 token 生成的大语言模型(LLM)和用于波形合成的流匹配(Flow Matching)模型。 通过引入多奖励强化学习框架,GLM-TTS 显著提升了合成语音的表现力,相比传统 TTS 系统实现了更自然的情感控制。Python00
Spark-Formalizer-X1-7BSpark-Formalizer 是由科大讯飞团队开发的专用大型语言模型,专注于数学自动形式化任务。该模型擅长将自然语言数学问题转化为精确的 Lean4 形式化语句,在形式化语句生成方面达到了业界领先水平。Python00