用Python3对QQ导出的文本聊天记录进行整理

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：

#!/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')