使用正则表达式解析 Whatsapp 聊天日志

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，但我希望改进它，但不知道如何改进，因为我对正则表达式很陌生。

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: ::

虽然到目前为止我的解决方案可以正确解析这些消息中的大部分，但是我有几百个消息以冒号开头的情况，就像上面的最后一个例子一样。 这导致第二Person Two: :的不必要的价值Person Two: :作为发件人。

这是我目前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

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("::","")

这会给：

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

然后，您可以对预处理过的数据调用正则表达式函数。

Answer 2

在构建分析 WhatsApp 聊天的工具时，我遇到了类似的问题。

主要问题是 chat.txt 的格式取决于您的系统语言。 在德语中你会得到这个16:47 ，但在英语中它可能是PM并且美国用户的月份格式发生了变化......

我使用的库有以下 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 = /[-/.] ?/;

处理在“< >”中传递的附件，即使您导出没有附件的聊天也是如此。 （例如 <media ommitted>）

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