行首匹配日期条件下多行文本换行替换方法咨询

问题背景 #

现有格式为聊天导出记录的文本文件，绝大多数行首带有可正则匹配的日期时间格式，要求行首未匹配到日期格式的行，删除该行前的换行符，将内容拼接至前一行末尾。

原始文件样例：

3/11/21, 6:13 PM - Gil: X1000
3/11/21, 6:15 PM - Sergio: <Media omitted>
3/11/21, 6:19 PM - Sergio: X400
3/11/21, 6:20 PM - Sergio: Los amigos de vonzo en Francia:

1. La Tóxica
2. El brujo vodoo
3. El/La Zoofilic@
3/11/21, 6:20 PM - Sergio: :V
3/11/21, 6:21 PM - Joan :V: JAJAJAJAJA

预期输出效果：

3/11/21, 6:13 PM - Gil: X1000
3/11/21, 6:15 PM - Sergio: <Media omitted>
3/11/21, 6:19 PM - Sergio: X400
3/11/21, 6:20 PM - Sergio: Los amigos de vonzo en Francia: 1. La Tóxica 2. El brujo vodoo 3. El/La Zoofilic@
3/11/21, 6:20 PM - Sergio: :V
3/11/21, 6:21 PM - Joan :V: JAJAJAJAJA

实现思路 #

逐行读取时不要直接输出，新增一个变量缓存上一行的内容：

• 读取当前行后先判断行首是否匹配日期格式
• 匹配则输出缓存的上一行，再把当前行存入缓存
• 不匹配则把当前行去掉空白后拼接到缓存的上一行末尾
• 所有行读取完成后输出最后缓存的内容即可

完整实现代码 #

import re

# 匹配行首日期的正则，适配你提供的日期格式
date_pattern = re.compile(r'^\d{1,2}/\d{1,2}/\d{2,4},\s\d{1,2}:\d{2}\s[AP]M')
# 缓存上一行内容
prev_line = ''

with open(self.fileName, encoding="utf8", errors='replace') as input_file, open('输出文件路径.txt', 'w', encoding='utf8') as output:
    for line in input_file:
        # 去除当前行的换行符和首尾空白
        stripped_line = line.strip()
        # 跳过空行
        if not stripped_line:
            continue
        if date_pattern.match(stripped_line):
            # 当前行是新的聊天行，先输出上一行缓存
            if prev_line:
                output.write(prev_line + '\n')
            prev_line = stripped_line
        else:
            # 当前行是上一条聊天的换行内容，直接拼接
            prev_line += ' ' + stripped_line
    # 输出最后一条缓存的内容
    if prev_line:
        output.write(prev_line + '\n')

调整说明 #

如果不需要拼接时插入空格分隔，把prev_line += ' ' + stripped_line中的空格删除即可。

内容的提问来源于stack exchange，提问作者Ivan