匹配来自Python中WhatsApp日志的消息

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：

一行信息：

[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

通过首先读取文本文件行中的行，然后在不同的分隔符上拆分这些行，我能够将其拆分为日期，时间，发件人和消息，但仅用于单行。 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，我以和结束，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（结束，但是如果可以在新行的消息中找到它的话，可能并不那么健壮）来对消息模式做同样的事情。

也许有一种更简单的解决方案，但是（如您所见）我对正则表达式确实不好。

Answer 1

这是使用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)

该模式看起来很长而且很肿胀，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）或看到输入的结束时，它停止使用给定的消息。

Answer 2

劫持了上面的内容，以防万一，我只是从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)