Соответствие даты и времени в формате 12 часов

Question

Я следую этому руководству (https://towardsdatascience.com/build-your-own-whatsapp-chat-analyzer-9590acca9014), чтобы создать анализатор WhatsApp.

Это весь код из его урока -

def startsWithDateTime(s):
    pattern = '^([0-2][0-9]|(3)[0-1])(\/)(((0)[0-9])|((1)[0-2]))(\/)(\d{2}|\d{4}), ([0-9][0-9]):([0-9][0-9]) -'
    result = re.match(pattern, s)
    if result:
        return True
    return False

def startsWithAuthor(s):
    patterns = [
        '([\w]+):',                        # First Name
        '([\w]+[\s]+[\w]+):',              # First Name + Last Name
        '([\w]+[\s]+[\w]+[\s]+[\w]+):',    # First Name + Middle Name + Last Name
        '([+]\d{2} \d{5} \d{5}):',         # Mobile Number (India)
        '([+]\d{2} \d{3} \d{3} \d{4}):',   # Mobile Number (US)
        '([+]\d{2} \d{4} \d{7})'           # Mobile Number (Europe)
    ]
    pattern = '^' + '|'.join(patterns)
    result = re.match(pattern, s)
    if result:
        return True
    return False

def getDataPoint(line):
    # line = 18/06/17, 22:47 - Loki: Why do you have 2 numbers, Banner?

    splitLine = line.split(' - ') # splitLine = ['18/06/17, 22:47', 'Loki: Why do you have 2 numbers, Banner?']

    dateTime = splitLine[0] # dateTime = '18/06/17, 22:47'

    date, time = dateTime.split(', ') # date = '18/06/17'; time = '22:47'

    message = ' '.join(splitLine[1:]) # message = 'Loki: Why do you have 2 numbers, Banner?'

    if startsWithAuthor(message): # True
        splitMessage = message.split(': ') # splitMessage = ['Loki', 'Why do you have 2 numbers, Banner?']
        author = splitMessage[0] # author = 'Loki'
        message = ' '.join(splitMessage[1:]) # message = 'Why do you have 2 numbers, Banner?'
    else:
        author = None
    return date, time, author, message


parsedData = [] # List to keep track of data so it can be used by a Pandas dataframe
conversationPath = 'chat.txt' 
with open(conversationPath, encoding="utf-8") as fp:

    fp.readline() # Skipping first line of the file (usually contains information about end-to-end encryption)

    messageBuffer = [] # Buffer to capture intermediate output for multi-line messages
    date, time, author = None, None, None # Intermediate variables to keep track of the current message being processed

    while True:
        line = fp.readline() 
        if not line: # Stop reading further if end of file has been reached
            break
        line = line.strip() # Guarding against erroneous leading and trailing whitespaces
        if startsWithDateTime(line): # If a line starts with a Date Time pattern, then this indicates the beginning of a new message
            print('true')
            if len(messageBuffer) > 0: # Check if the message buffer contains characters from previous iterations
                parsedData.append([date, time, author, ' '.join(messageBuffer)]) # Save the tokens from the previous message in parsedData
                messageBuffer.clear() # Clear the message buffer so that it can be used for the next message
                date, time, author, message = getDataPoint(line) # Identify and extract tokens from the line
                messageBuffer.append(message) # Append message to buffer

        else:
            messageBuffer.append(line) # If a line doesn't start with a Date Time pattern, then it is part of a multi-line message. So, just append to buffer

Когда я подключаю свой файл чата - chat.txt, я заметил, что мой список parsedData пуст. Пройдя по его коду, я заметил, что может отвечать за пустой список. Из его урока его чаты в этом формате (24 часа) - 18/06/17, 22:47 - Loki: Why do you have 2 numbers, Banner?, но мои чаты в этом формате (12 часов) - [4/19/20, 8:10:57 PM] Joe: How are you doing.

Причина, по которой функция startsWithDateTime не может соответствовать ни одной дате и времени.

Пожалуйста, как мне изменить формат регулярного выражения в функции startsWithDateTime, чтобы он соответствовал формату моего чата?

Answer 1

Здесь есть несколько проблем.
Во-первых, ваше регулярное выражение ищет дату в формате ДД / ММ / ГГГГ, но вы задаете формат в М / ДД / ГГГГ.
Во-вторых, в первом примере, который вы приводите, квадратные скобки отсутствуют, но во втором примере они присутствуют.
В-третьих, при рассмотрении вашего регулярного выражения проблема не в формате 12-часовой или 24-часовой. как таковой, но в том, что ваше регулярное выражение ищет строго 2-ди git час ди git. При использовании 24-часового формата обычно используется ведущий ноль для сингла-ди git часов (например, 08:10 для 8:10 утра), но в 12-часовом формате это не так (поэтому ваш код не будет работать найти 8:10. Вы можете исправить свое регулярное выражение, изменив соответствующий раздел с

([0-9][0-9]):([0-9][0-9])

на

([0-9]{1,2}):([0-9]{2})

Число в фигурных скобках указывает, сколько примеров этого символа ищите, поэтому в этом случае это выражение будет искать одну или две цифры, затем двоеточие, а затем ровно две цифры.

Тогда конечное регулярное выражение должно быть

^\[(\d{1,2})\/(\d{2})\/(\d{2}|\d{4}), ([0-9]{1,2}):([0-9]{2}):([0-9]{2})\ ([AP]M)\]

Пример:

import re
a = '[4/19/20, 8:10:57 PM] Joe: How are you doing'
p = r'^\[(\d{1,2})\/(\d{2})\/(\d{2}|\d{4}), ([0-9]{1,2}):([0-9]{2}):([0-9]{2})\ ([AP]M)\]'
re.findall(p, a)
#  [('4', '19', '20', '8', '10', '57', 'PM')]