JavaScript解析聊天文本：拆分四字段实现聊天数据统计的正则适配问题

现有拆分逻辑的问题根源 #

你之前使用的/[,:\s+\-]/正则属于无差别匹配规则，只要碰到逗号、冒号、空白、连字符就直接拆分，完全没有上下文约束：既会把时间字段里和数字绑定的冒号（例如14:30）、日期字段里的连字符（例如2024-05-20）拆碎，也会把消息正文里出现的“: ”作为拆分点破坏字段结构，最终完全得不到预期的四字段结果。

核心匹配规则设计 #

针对你提出的两个硬性拆分要求，规则要做严格的边界约束：

• 区分两类冒号：时间字段内的冒号两侧均为数字，这类冒号不作为拆分点；仅当冒号后紧跟半角空格，且位置处于昵称段尾部时，才作为昵称和消息内容的分隔符
• 限制拆分位置：仅在行内首次出现上述“: ”的位置做拆分，后续正文内出现的同类字符全部归入消息内容字段，不触发二次拆分

具体代码实现 #

1. 全量内容按行拆分 #

对同步Ajax获取到的stringData变量，先按换行符拆分所有聊天行，过滤无效空行：

const rowList = stringData.split(/\r?\n/).filter(row => row.trim() !== '')
// 可直接将测试字符串str推入rowList，验证解析逻辑
// rowList.push(str)

2. 逐行匹配结构化四字段 #

采用单次正则匹配直接锚定Date、Time、Name、Text四个字段，避免多次拆分带来的错位问题：

// 逐行解析的核心正则，通过命名分组直接对应结构化字段
const chatRowReg = /^(?<date>\d{4}[-/]\d{1,2}[-/]\d{1,2})\s+(?<time>\d{1,2}:\d{2}(?::\d{2})?)\s+(?<name>[^:]+?):\s(?<text>.*)$/
const structuredData = rowList.map(row => {
  const matchRes = row.match(chatRowReg)
  // 兼容无发件人的系统公告行，避免整体解析中断
  if (!matchRes) {
    return {
      date: '',
      time: '',
      name: '未识别/系统消息',
      text: row.trim(),
      parseError: true
    }
  }
  return {
    date: matchRes.groups.date,
    time: matchRes.groups.time,
    name: matchRes.groups.name.trim(),
    text: matchRes.groups.text,
    parseError: false
  }
})

方案适配性说明

• 不会误拆时间内的冒号：time字段的匹配规则为连续数字+冒号+连续数字（例如14:32:05），这类位置的冒号无后置空格，和作为拆分点的: （冒号+空格）属于完全独立的匹配场景，不会被混淆
• 不会被正文内容干扰：name字段匹配时会自动停在第一个冒号位置，后续只要满足“冒号后接空格”的条件，就会将剩余整段内容全部归入text字段，哪怕text内部多次出现“: ”也不会触发额外拆分

3. 后续统计能力适配 #

拿到structuredData的结构化数组后，可直接基于字段做聚合统计，无需回溯原始聊天文本：

• 基础统计：对每个条目下的text字段做长度累加即可得到总字数；对text按空白符分割并过滤空片段，统计非空片段数量即可得到总词数
• 维度聚合：以name、date字段为分组键，分别累加对应维度下的总字数、总词数，即可满足按发送人、按日期的统计需求

内容的提问来源于stack exchange，提问作者Dumitru Daniel