Question

我正在尝试使用正则表达式解析whatsapp聊天日志。我有一个适用于大多数情况的解决方案，但我正在寻求改进，但不知道如何解决，因为我是regex的新手。

chat.txt文件如下所示：

[06.12.16, 16:46:19] Person One: Wow thats amazing
[06.12.16, 16:47:13] Person Two: Good morning and this goes over multiple
lines as it is a very long message
[06.12.16, 16:47:22] Person Two: ::

尽管到目前为止，我的解决方案可以正确解析其中的大多数消息，但是与上面的最后一个示例一样，我有数百种情况下消息以冒号开头。这将导致Person Two: :的不必要值作为发件人。

这是到目前为止我正在使用的正则表达式：

pattern = re.compile(r'\[(?P<date>\d{2}\.\d{2}\.\d{2}),\s(?P<time>\d{2}:\d{2}:\d{2})]\s(?P<sender>(?<=\s).*(?::\s*\w+)*(?=:)):\s(?P<message>(?:.+|\n+(?!\[\d{2}\.\d{2}\.\d{2}))+)')

任何有关如何解决此错误的建议将不胜感激！

Answer 1

我在构建 tool 来分析 WhatsApp 聊天时遇到了类似的问题。

主要问题是 chat.txt 的格式取决于您的系统语言。在德语中，您会看到 16:47，但在英语中，它可能是 PM，而且美国用户的月份格式会发生变化......

我使用的 library 有以下 4 个正则表达式。到目前为止，它们涵盖了所有发生的案例（拉丁语）。

过滤一般：

const regexParser = /^(?:\u200E|\u200F)*\[?(\d{1,4}[-/.] ?\d{1,4}[-/.] ?\d{1,4})[,.]? \D*?(\d{1,2}[.:]\d{1,2}(?:[.:]\d{1,2})?)(?: ([ap]\.? ?m\.?))?\]?(?: -|:)? (.+?): ([^]*)/i;

过滤系统消息：

const regexParserSystem = /^(?:\u200E|\u200F)*\[?(\d{1,4}[-/.] ?\d{1,4}[-/.] ?\d{1,4})[,.]? \D*?(\d{1,2}[.:]\d{1,2}(?:[.:]\d{1,2})?)(?: ([ap]\.? ?m\.?))?\]?(?: -|:)? ([^]+)/i;

日期：

const regexSplitDate = /[-/.] ?/;

处理附件，即使您导出不带附件的聊天，也会在“< >”中传递附件。（例如）

const regexAttachment = /<.+:(.+)>/;`

Answer 2

在应用正则表达式之前，我会预处理列表以删除连续的冒号。所以对于每一行，例如

 line = [06.12.16, 16:47:22] Person Two: ::
 line = line.replace("::","")

这将给：

[06.12.16, 16:47:22] Person Two:

然后您可以对预处理后的数据调用正则表达式。

使用正则表达式解析Whatsapp聊天日志

2 个答案: