# wechat

**Repository Path**: lulendi/wechat

## Basic Information

- **Project Name**: wechat
- **Description**: 微信数据库分析
- **Primary Language**: Unknown
- **License**: Not specified
- **Default Branch**: master
- **Homepage**: None
- **GVP Project**: No

## Statistics

- **Stars**: 0
- **Forks**: 0
- **Created**: 2026-05-24
- **Last Updated**: 2026-05-24

## Categories & Tags

**Categories**: Uncategorized

**Tags**: None

## README

# WeChat
目前微信的数据量是23个群，51W的群聊记录。主要是神经外科的相关
疾病，涉及到的医生与医院大多为北京天坛医院有关。


## 1. 将sqlite数据库中的数据导入到mysql数据库；
主要有两个数据库(message, rcontact), 操作顺序：
1. 利用sqlcipher将两个表分别保存为csv表格，然后利用notepad++将表格转化为utf-8编码，不然会在程序执行时出现问题；
2. 按照数据库的结构，创建mysql的表格，message对应的是聊天记录，rcontact记录的是群里的用户ID及昵称；
3. 执行ConnectDatabase.py, 将数据导入到数据库，两个表格只需要修改文件名称即可；    

>TODO: 使用多线程保存数据，目前单线程效率较低，51w数据需要的时间较长。

## 2. 将数据库的数据按照群号拆分；

1. 按照群号将数据库导出为txt的版本;  
2. 使用多线程提升效率;

## 3. 完成之前统计性描述的部分；

1. 将聊天数据按照群号，划分不同的文件 √
2. 统计每个群中发言次数最多的ID,发言长短,平均长度,统计用户发链接或图片的次数(也可以统计发图片链接的次数/总发言数), @次数,被@次数。√

> TODO: 统计每个群的活跃度，和所有群加起来的活跃度，在每天时间上的分布（得出的按照每分钟的效果并不好看，尝试每小时或每半小时！）;暂时不考虑


## 4. other
1. 使用结巴分词，并将@的list保存在数据库中;在Ubuntu中可以实现4线程并行分词；

> TODO:
> 1. 获取分词的词向量，在此之前要先确定停用词辞典； 
> 因为标点符号在都有自己的词向量，所以暂时不需要考虑消除停用词，此外，关于词向量降维，目前暂时不需要。
> 2. 主题词抽取，对话流分解;