字符串索引越界问题：聊天数据拆分至DataFrame的正则替代方案优化

问题根源 #

• 原代码直接使用固定偏移量（如i+21、i+22）访问字符串索引，当循环到字符串末尾附近时，偏移后的索引会超出字符串长度，触发string index out of range错误。
• 内部循环硬编码固定上限342671，完全不考虑实际数据长度，同样会导致索引越界。
• 手动判断日期格式的逻辑过于死板，一旦聊天记录的日期格式有细微变化（如12/24小时制切换），代码直接失效。

解决方案：用正则表达式替代手动索引操作 #

正则表达式可以精准匹配符合格式的聊天记录，从根源上避免索引越界问题，同时适配更灵活的格式变化。

代码实现

import re
import pandas as pd

# 假设data是你的原始聊天字符串
# 匹配聊天记录的正则模式，适配示例中的日期格式
pattern = r'\[(\d{2}/\d{2}/\d{2}, \d{1,2}:\d{2}:\d{2} [AP]M)\] .*?: (.*?)(?=\n\[|\Z)'

# 查找所有匹配的记录，re.DOTALL允许匹配多行消息
matches = re.findall(pattern, data, re.DOTALL)

# 拆分日期和消息列表
dateList = [match[0] for match in matches]
messageList = [match[1].strip() for match in matches]

# 生成DataFrame
chat_df = pd.DataFrame({
    '日期': dateList,
    '消息': messageList
})

# 查看结果
print(chat_df.head())

代码说明

• pattern中的分组分别捕获日期部分和消息内容：
  • 第一个分组(\d{2}/\d{2}/\d{2}, \d{1,2}:\d{2}:\d{2} [AP]M)匹配并提取日期时间字符串；
  • 第二个分组(.*?)(?=\n\[|\Z)匹配消息内容，直到下一条记录的开头（\n\[）或字符串结尾（\Z），支持多行消息。
• re.DOTALL参数让.可以匹配换行符，解决多行消息的匹配问题。
• 最终通过列表推导式拆分日期和消息，直接生成DataFrame，逻辑简洁可靠。

内容的提问来源于stack exchange，提问作者Ekta Mistry