Совпадение сообщений из журнала WhatsApp в python

Question

Я хотел бы извлечь все шаблоны, которые соответствуют сообщению в WhatsApp.Сообщения имеют следующую форму:

Однострочное сообщение:

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

Многострочное сообщение:

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

Я смог разделить его на Дата, Время, Отправитель и Сообщение, но только для однострочников, сначала прочитав строку текстового файла для строки, а затем разделив эти строки на разные разделители.Однако это не работает для сообщений с несколькими строками.Сейчас я пытаюсь использовать регулярные выражения, с помощью которых мне удалось получить даты и время, но я все еще пытаюсь расширить шаблон для сообщений до нескольких строк.

## 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)

Обратите внимание, что мой журнал написан на немецком языке WhatsApp, поэтому даты немного отличаются.Кроме того, я закончил на, и], чтобы убедиться, что я не получаю совпадения из сообщений.

Я хотел бы сделать то же самое с шаблоном сообщения, заканчиваясь на [, который обычно является началомследующая строка (но может быть не очень надежной, если это можно найти в сообщении на новой строке).

Возможно, есть более простое решение, но я (как вы можете видеть) действительно плохо с регулярным выражением.

Answer 1

Перехватывая вышеупомянутое, чтобы соответствовать в случае многострочного, я просто обрезал регулярное выражение от Тима Бигелайзена

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)

Answer 2

Вот общее регулярное выражение и решение с использованием re.findall:

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)

Шаблон, который выглядит длинным и раздутым, просто соответствует структуре вашего ожидаемого сообщения WhatsApp.Следует отметить, что шаблон использует как многострочный, так и режим DOT ALL.Это необходимо для сообщений, которые могут занимать несколько строк.Шаблон перестает использовать данное сообщение, когда либо видит начало следующего сообщения (в частности, отметку времени), либо видит конец ввода.