Question

我想提取与WhatsApp中的消息匹配的所有模式。消息具有以下形式：

一行消息：

[19.09.17, 19:54:48] Marc: If the mean is not in the thousands, there's the problem

多行长消息：

[19.09.17, 19:54:59] Joe: > mean(aging$Population)
[1] 1593.577
Is what I get as solution

我能够将其拆分为日期，时间，发件人和消息，但仅针对单行格式，方法是先在文本文件行中读取行，然后在不同的分隔符上将这些行拆分。但是，这不适用于多行邮件。现在，我正在尝试使用正则表达式，使用它们可以获取日期和时间，但是我仍在努力将消息的模式扩展到多行。

## reg expressions to match different things in the log
date = r'\[\d+\.\d+\.\d+,'
time = r'\d+\:\d+\:\d+]'
message = r':\s+.+\['
message = re.compile(message, re.DOTALL)

请注意，我的日志来自德语WhatsApp，这就是为什么日期有些不同的原因。另外，我以和为结尾，以确保不会意外从邮件中获得匹配项。

我想通过在[通常是下一行的开始处（但如果可以在新行的消息中找到它的话，可能并不那么健壮）。 / p>

也许有一种更简单的解决方案，但是我（如您所见）真的对正则表达式不好。

Answer 1

以下是使用re.findall的常规正则表达式和解决方案：

msg = "[19.09.17, 19:54:48] Marc: If the mean is not in the thousands, there's the problem
    [19.09.17, 19:54:59] Joe: > mean(aging$Population)
    [1] 1593.577\nIs what I get as solution"

results = re.findall(r"\[(\d{2}\.\d{2}\.\d{2}), (\d{2}:\d{2}:\d{2})\] ([^:]+): (.*?)(?=\[\d{2}\.\d{2}\.\d{2}, \d{2}:\d{2}:\d{2}\]|$)", msg, re.MULTILINE|re.DOTALL)

for item in results:
    print "date: " + item[0]
    print "time: " + item[1]
    print "sender: " + item[2]
    print "message: " + item[3]

date: 19.09.17
time: 19:54:48
sender: Marc
message: If the mean is not in the thousands, there's the problem
date: 19.09.17
time: 19:54:59
sender: Joe
message: > mean(aging$Population)

该模式看上去很长而且很肿胀，刚好符合您所期望的WhatsApp消息的结构。值得注意的是，该模式同时使用多行和DOT ALL模式。对于可能跨越多行的消息，这是必需的。当模式看到下一条消息的开始（特别是时间戳记）或输入的结尾时，该模式就停止使用给定的消息。

Answer 2

劫持了上面的东西，以防万一，我只是从蒂姆·比格莱森（Tim Biegeleisen）裁剪了正则表达式

results = re.findall(r"\[(\d{2}\.\d{2}\.\d{2}), (\d{2}:\d{2}:\d{2})\] ([^:]+): (.*?)(?=\[\d{2}\.\d{2}\.\d{2}, \d{2}:\d{2}:\d{2}\])", msg, re.MULTILINE|re.DOTALL)

匹配来自Python中WhatsApp日志的消息

2 个答案: