三个月没看QQ群了。
群里有同学分享的近期答辩注意事项,于是乎想把近期QQ聊天记录从头到尾过一遍。
导出聊天记录文本,发觉上万行的文本,这么读效率有点低,所以用python整理了一下。
这个是整理前的(手机端QQ聊天记录导出后的txt文件):
这个是整理后的:
附上代码:
2016.12.2 加了个自动换行的代码,避免单行过长。
2018.1.30 根据lch1251680944、qq_20408711反馈,修正正则表达式
#!/usr/bin/env python3 # -*- coding: utf-8 -*- import re import codecs script_name = "QQ聊天记录整理" # 1、通过正则语句,提取出所有的记录头和记录内容两个数组。一条记录头对应一条记录内容,所以两个数组长度应该相等。 # 2、处理记录内容 # 2.1、windows的换行为'\r\n',单'\n'体现不出换行效果。手机端导出的记录有的换行是\n,需要替换一下。 # 2.2、记录头放在了每条记录末行后面,为了记录头整齐美观,需要计算一下记录头前补多少空格。windows记事本显示中文字符占两格,英文占1格,而python中文字符长度是却是1,如果想要显示整齐,还需要计算一下,然后补齐空格数。补齐后记录头距离行首位置为100的整数倍。 # 3、读和写文件的时候注意编码转换 def length_w(text): '''计算字符串在windows记事本中的实际显示长度''' # 取文本长度,中文按2格计算。 length = len(text) # 取其长度(中文字符长度为1,英文1) utf8_length = len(text.encode('utf-8')) # 取其长度(中文长3,英文1) length = int((utf8_length-length)/2)+length # 按(中文2英文1)计算长度 # 这个写法实际上还是有问题的,有些特殊字符会导致计算长度和实际显示长度不一致。所以下面计算换行问题的代码中换了另一种写法,避免因特殊字符导致每行实际显示长度超出限定值,虽然还是不精确,但是不会超出限定值。 # 比如: # '°'在记事本中显示占2格,b'\xc2\xb0'utf-8编码长度为2。 # '�'在记事本中显示占1格,b'\xef\xbf\xbd'utf-8编码长度为3。 # ''在记事本中显示占2格,b'\x01'utf-8编码长度为1。(特殊字符无法显示) # 至于特殊'\t'制表符最好最开始就用四个空格替换掉,避免其自动缩进带来的影响 return length def chinese_linefeed(text,limit): '''中英文混合排版,限制单行长度,超出长度换行''' text_format= '' # 结果变量,初始化 text = text.replace('\t',' ') text = text.replace('\r\n','\n') text_arr = text.split('\n') # 按行分割文本 for line in text_arr: # 逐行处理 text_format+='\r\n' num = 0 # 长度计数变量,初始化 for i in line: # 从该行第一个字符起计算长度 # 中文长度为2 # asc2码(英文及其字符等)长度为1 # 其他长度为2(一些特殊) if i >= u'\u4e00' and i <= u'\u9fa5': char_len=2 elif i >= u'\u001c' and i <= u'\u00ff': char_len=1 else: char_len=2 # 累计长度小于limit,直接保存至结果变量,计数变量累加 # 累计长度大于limit,换行后再保存,计数变量重置 if num+char_len<=limit: text_format+=i num+=char_len else: text_format+='\r\n'+i num=char_len return text_format.strip() # QQ聊天记录手机端导出文本 filepath = r'C:\Users\waterd\Desktop\QQ群聊天记录.txt' # 读取文件 fp = codecs.open(filepath,'r','utf-8') txt = fp.read() fp.close() re_pat = r'20[\d-]{8}\s[\d:]{7,8}\s+[^\n]+(?:\d{5,11}|@\w+\.[comnet]{2,3})\)' # 正则语句,匹配记录头 log_title_arr = re.findall(re_pat, txt) # 记录头数组['2016-06-24 15:42:52 张某(40**21)',…] log_content_arr = re.split(re_pat, txt) # 记录内容数组['\n', '\n选修的\n\n', '\n就怕这次…] log_content_arr.pop(0) # 剔除掉第一个(分割造成的冗余部分) # 数组长度 l1 = len(log_title_arr) l2 = len(log_content_arr) print('记录头数: %d\n记录内容: %d'%(l1,l2)) if l1==l2: # 整理后的记录 log_format = '' # 开始整理 for i in range(0,l1): title = log_title_arr[i] # 记录头 content = log_content_arr[i].strip() # 删记录内容首尾空白字符 content = content.replace('\r\n','\n') # 记录中的'\n',替换为'\r\n' content = content.replace('\n','\r\n') content = chinese_linefeed(content,100) # 每行过长自动换行 lastline = content.split('\r\n')[-1] # 取记录内容最后一行 length = length_w(lastline) # 取其长度 space = (100-(length%100))*' ' if length%100!=0 else ''# 该行记录头前补空格,变整齐为100整数倍;余数为0则不用补空格 log_format += content + space + '['+title+']\r\n'# 拼接合成记录 # 写到文件 fp = codecs.open(filepath+'format.txt','w','utf-8') fp.write(log_format) fp.close() print("整理完毕~^_^~") else: print('记录头和记录内容条数不匹配,请修正代码')