EmailFilter 是一个基于 Kotlin 开发的邮箱过滤工具，专注于从 QQ 邮箱中筛选出与面试、笔试相关的重要邮件，过滤垃圾信息，帮助用户高效管理求职相关的邮件通知。该项目需搭配外部 AI 服务（如 EmailFilter-ai-robot 或自定义 AI 服务）实现邮件内容的智能解析与分类

提前说明
当前版本为Version0.1，使用的KMP+Ktor为初始化项目结构，但是因为还没学习和接触KMP的相关内容，所以暂且没有涉及
至于为何AI功能要和本功能分开写，第一是为了区分功能模块，第二是因为AI功能是补充，之前写过的，直接利用了而已

技术栈

后端

• 核心框架：Ktor（用于构建 HTTP 服务器，处理路由与请求）
• 邮件处理：JavaMail（连接 QQ 邮箱 IMAP 服务器，读取与解析邮件）
• 并发处理：Kotlin 协程（并行解析邮件，提升处理效率）
• 数据序列化：Kotlinx Serialization 和 GSON（JSON 数据序列化 / 反序列化）
• 缓存管理：ConcurrentHashMap（线程安全的本地缓存，按日期分区存储）
• 网络通信：原生 HTTPURLConnection（与外部 AI 服务通信）
• 依赖管理：Gradle（项目构建与依赖管理）

前端

• UI 框架：Compose Multiplatform（跨平台 UI 库，支持 Android、桌面、Web）
• Web 支持：Kotlin/Wasm（编译为 WebAssembly，运行于浏览器）

其他

• 跨平台基础：Kotlin Multiplatform（共享业务逻辑与数据模型）
• CORS 支持：Ktor CORS 插件（处理跨域请求）

设计特点

1. 分层架构设计
   • 路由层：EmailRouter 处理 HTTP 请求，定义 /email/findAllEmail 接口。
   • 领域模型：EmailEnty（邮件实体）、Event（解析后的面试事件实体）封装核心数据。
   • 缓存层：EmailCache 负责邮件数据的本地缓存与过期管理。
   • 会话层：SessionUtil 管理 QQ 邮箱 IMAP 连接，自动处理连接初始化与关闭。
2. 高效的邮件处理
   • 基于接收时间（而非发送时间）筛选邮件，避免因发送方时区差异导致的过滤误差。
   • 协程并行解析邮件内容（processEmailsParallel），限制最大并行数（10 个）避免资源耗尽。
3. 缓存策略优化
   • 按邮件接收日期分区存储缓存（LocalDate 作为键），支持按时间区间快速查询。
   • 异步更新缓存（EmailCache.executor），避免阻塞主请求流程。
4. 可扩展的 AI 集成
   • 邮件数据通过 sendPostRequest 发送至外部 AI 服务，解析结果后更新缓存，便于替换为不同的 AI 服务实现。
5. 资源安全管理
   • SessionUtil 中通过 JVM shutdown hook 自动关闭邮箱连接，避免资源泄漏。
   • 邮件解析过程中处理空值与异常（如日期解析失败时回退到字符串比较），保证程序稳定性。

使用说明

1. 环境依赖
   • JDK 11+
   • Gradle 7.0+
   • QQ 邮箱开启 IMAP 服务并获取授权码（在 QQ 邮箱设置中开启）
2. 配置修改
   • 在 SessionUtil 中替换 userName（QQ 邮箱地址）和 password（IMAP 授权码）。
   • 若使用自定义 AI 服务，修改 sendPostRequest 中的 url 为 AI 服务地址。
3. 启动服务
   • 后端：运行 Application.kt 中的 main 函数，启动 Ktor 服务器（默认端口 8080）。
   • 前端（Web）：执行 Gradle 任务 :composeApp:wasmJsBrowserDevelopmentRun，在浏览器访问前端页面。
4. AI 服务集成确保外部 AI 服务可接收 JSON 格式的邮件数据（List<EmailEnty>），并返回结构化的面试事件数据（List<Event>）。

功能亮点

1. 邮箱同步与过滤自动连接 QQ 邮箱 IMAP 服务器，同步近 5 天的邮件(后续计划修改为传参设置是)，并基于接收时间筛选有效邮件，排除历史过期邮件。
2. 面试信息智能提取将邮件数据发送至外部 AI 服务，提取关键信息（如公司名称、岗位、面试类型、时间等），结构化存储为 Event 实体。
3. 本地缓存优化采用按日期分区的缓存策略，减少重复请求与 AI 服务调用，提升数据加载效率。（目前缓存的粒度为按天缓存，第一方案是按照分/秒级缓存，但是设计到比较麻烦的时间区间合并与处理，暂且还在研发中)
4. 并行处理提升性能使用 Kotlin 协程并行解析邮件内容，提高大规模邮件处理的效率。经过初期的测试，使用配套的AI后端前提下，不做任何处理整体需要3min，使用协程优化（后续甚至可以协程+虚拟线程）可以减少到30s。
5. 跨平台支持前端基于 Compose Multiplatform 开发，支持 Android、JVM 桌面端及 Web（Wasm）平台，提供一致的用户体验。(案例前端目前为Untitled-1.html 所示，还未进行更多的设计)
6. 灵活的 AI 服务集成通过 HTTP 接口与外部 AI 服务通信，支持自定义 AI 服务地址，便于扩展与替换