Escáner Python minimalista para archivos EML diseñado para auditar tokens derivados de cabeceras y nombres de archivos adjuntos y así comprobar si esos valores aparecen dentro de las partes decodificadas del mensaje
Resumen funcional: el primer script examina un archivo EML y extrae una lista de tokens provenientes de cabeceras como Message-ID (con los signos angulares eliminados), identificadores de conversación personalizados en cabeceras X-Header-ConversationID, cadenas boundary presentes en Content-Type y nombres de ficheros declarados en Content-Disposition o en el campo name de Content-Type. Tras eliminar duplicados, cada parte del mensaje se decodifica según su codificación de transferencia y charset. En las partes textuales se busca la ocurrencia literal de cada token y, en partes binarias, se busca la representación ASCII del token dentro de los bytes. Si se encuentra un token el scanner informa la parte y muestra un fragmento de contexto; si no se encuentran coincidencias es habitualmente seguro alterar solo cabeceras, nombres de archivo o boundaries en el generador de EML
Cómo usar el scanner: python scan_eml_tokens.py path/to/sample.eml Este comando imprime los tokens extraídos y reporta cualquier aparición dentro de las partes decodificadas
Decodificador complementario: el segundo script crea una vista decodificada y exporta cada parte a disco para inspección humana. Funcionalidades clave: saneamiento seguro de nombres de archivo para evitar rutas o caracteres problemáticos, creación de un directorio de salida que contiene headers.txt con cabeceras originales, decoded_view.txt con un resumen y muestras útiles, guardado de text/plain a .txt y text/html a .html decodificados en UTF-8, guardado de application/xml o application/json como .xml o .json y extracción de adjuntos binarios conservando o inferiendo extensiones comunes como .pdf .docx .png .jpg
Salida esperada tras ejecutar python decode_eml.py path/to/sample.eml: un directorio sample_decoded con headers.txt decoded_view.txt archivos body.html o body.txt si existen partes textuales, ficheros .xml o .json si hay payloads estructurados y todos los adjuntos binarios guardados para análisis forense
Buenas prácticas: utilice el scanner antes de modificar generadores de EML para comprobar que no hay fugas de identificadores en el cuerpo del mensaje. Use el decodificador para revisar manualmente partes potencialmente sensibles y para extraer contenido que necesite procesar en flujos de trabajo posteriores
En Q2BSTUDIO somos especialistas en desarrollo de software a medida y aplicaciones a medida y podemos ayudarle a integrar estas utilidades en pipelines de seguridad o en herramientas internas de auditoría. Ofrecemos servicios de inteligencia artificial y soluciones de ia para empresas, así como consultoría de ciberseguridad y pruebas de intrusión. Si busca desarrollar una aplicación específica para procesado de correo o auditoría forense visitenos en desarrollo de aplicaciones y software a medida y para proyectos de inteligencia artificial explore nuestras propuestas en servicios de inteligencia artificial para empresas
Palabras clave integradas: aplicaciones a medida software a medida inteligencia artificial ciberseguridad servicios cloud aws y azure servicios inteligencia de negocio ia para empresas agentes IA power bi. También ofrecemos servicios cloud aws y azure y proyectos de inteligencia de negocio y Power BI para explotación analítica avanzada
Contacto y siguiente paso: si desea que adaptemos estos scripts, que los integremos con sus servicios cloud o que implementemos agentes IA que automaticen la detección y respuesta a hallazgos, Q2BSTUDIO puede desarrollar la solución a medida que necesita
.jpg)
.jpg)