垃圾邮件快速识别：一般来说，在一封正常的邮件中，是不会出现太多类似于【、】、*、-、/这样的符号的。如果一封邮件中包含类似字符的比例超过一定的比例，可以直接认为是垃圾邮件。 编写程序，对给定的邮件内容进行分类，提示“垃圾邮件”或“正常邮件”。

好的，这是一个很典型的文本分类问题。我们可以使用机器学习算法来训练模型来识别垃圾邮件。

首先，我们需要准备好数据集。可以从网上下载已经标注好的垃圾邮件和正常邮件的数据集。然后，我们可以使用Python中的机器学习库来训练模型。在这里，我使用scikit-learn库来演示。

以下是一个简单的代码示例，用于训练和测试模型：

import pandas as pd
from sklearn.feature_extraction.text import CountVectorizer
from sklearn.model_selection import train_test_split
from sklearn.naive_bayes import MultinomialNB
from sklearn.metrics import accuracy_score

# 读取数据集
df = pd.read_csv('spam.csv', encoding='latin-1')

# 将邮件内容转换成数字向量
vectorizer = CountVectorizer()
X = vectorizer.fit_transform(df['text'])

# 将标签转换成数字
y = df['class'].map({'ham': 0, 'spam': 1})

# 将数据集分为训练集和测试集
X_train, X_test, y_train, y_test = train_test_split(X, y, test_size=0.2)

# 训练模型
model = MultinomialNB()
model.fit(X_train, y_train)

# 测试模型
y_pred = model.predict(X_test)
accuracy = accuracy_score(y_test, y_pred)

if accuracy > 0.9:
    print('这封邮件是正常邮件')
else:
    print('这封邮件是垃圾邮件')

在这个示例中，我们使用朴素贝叶斯算法来训练模型。我们将邮件内容转换成数字向量，使用标签来训练模型，并使用测试集来测试模型的准确率。如果准确率高于90%，则将其分类为正常邮件，否则将其分类为垃圾邮件。

当然，这只是一个简单的示例。实际上，垃圾邮件识别还需要考虑许多其他因素，例如邮件主题、发件人等等。因此，如何选择特征向量、选择哪种机器学习算法以及如何调整算法参数等问题都需要仔细考虑。