zWorkFlow/docs/chat_export_format.md

聊天导出 JSON 数据格式

export_chat.py 与 transcribe_chat.py 生成的 JSON 文件采用紧凑格式： 默认值与空值会被省略。本文档说明如何加载和解读这类文件。

生成文件

.venv/bin/python3 export_chat.py <chat_name> [output.json]
.venv/bin/python3 transcribe_chat.py <input.json> [output.json]

export_chat.py 负责原始导出；transcribe_chat.py 使用 Whisper（CPU） 为语音消息填充转录文本。transcribe_chat.py 可重复运行 —— 已转录的 消息会被跳过。

export_all_chats.py 批量导出时会在输出目录维护 _export_index.json。 该索引用稳定的 username 记录当前 JSON 文件名；联系人备注或群名变化后， 下一次导出会先把旧文件重命名为新的可读文件名，再继续增量合并。若新的 显示名文件已经属于另一个 username，导出文件会追加 __<username> 后缀， 避免覆盖同名联系人或同名群。

顶层结构

{
  "chat": "<display name>",
  "username": "<wxid 或 @chatroom>",
  "exported_at": "YYYY-MM-DD HH:MM:SS",
  "date_first_msg": "YYYY-MM-DD HH:MM:SS",
  "date_last_msg": "YYYY-MM-DD HH:MM:SS",
  "contact_remark": "<remark>",
  "contact_nick_name": "<nick name>",
  "contact_tags": ["<tag>"],
  "contact_memo": "<memo>",
  "is_group": true,
  "messages": [ ... ]
}

• chat —— 聊天的显示名（联系人名或群名）。
• username —— 稳定的 WeChat 用户名（1-on-1 聊天为 wxid_*，群聊为 *@chatroom）。 transcribe_chat.py 会优先读取本字段而非基于 chat 再次模糊匹配，避免同名联系人漂移。
• exported_at —— 本地时间字符串，仅作溯源用途。
• date_first_msg / date_last_msg —— 本次导出结果中第一条 / 最后一条消息的本地时间。
• contact_remark、contact_nick_name、contact_tags、contact_memo —— 单聊联系人 metadata；群聊中省略。
• is_group —— 仅群聊出现且为 true；1-on-1 聊天时省略。
• messages —— 消息数组，跨所有 DB 分片按时间由旧到新排序。

消息条数 = len(messages)，没有 total 字段。

消息对象

每条消息必有三个字段：local_id、timestamp、sender。 其余字段均为可选，当值为默认值或 null 时会被省略。

字段	类型	必填	含义 / 缺失时的默认值
local_id	int	是	WeChat 内该聊天的稳定行 ID。用于重跑转录或对比导出时的消息匹配。
timestamp	int	是	Unix 时间戳（秒级，本地时间已换算为秒）。通过 datetime.fromtimestamp(ts) 转换。
sender	string	是	"me" 代表当前登录用户；否则为发送者的显示名 —— 1-on-1 聊天中是联系人名，群聊中是群成员名。对于无法归属的消息（如系统通知）为 ""。
type	string	否	消息类型。缺失时视为 "text"。已知取值：text、image、voice、sticker、video、link_or_file、call、system、recall、contact_card、location。
content	string	否	消息的渲染文本。当没有可提取内容时省略（例如部分图片 / 通话 / 系统事件）。
transcription	string	否	仅在 type: "voice" 且已完成转录的消息上出现。若 Whisper 未产出文本可能为空串 ""。

加载示例

带默认值的遍历：

import json
from datetime import datetime

with open("chat_export_transcribed.json") as f:
    data = json.load(f)

is_group = data.get("is_group", False)

for m in data["messages"]:
    mtype = m.get("type", "text")
    when = datetime.fromtimestamp(m["timestamp"])
    sender = m["sender"]  # "me" | 联系人/群成员名 | ""
    text = m.get("content", "")
    if mtype == "voice":
        text = m.get("transcription") or "[voice, untranscribed]"
    print(f"[{when:%Y-%m-%d %H:%M}] {sender or '(system)'}: {text}")

判断消息是否由自己发出：

from_me = m["sender"] == "me"

筛选仍需转录的语音消息：

pending = [m for m in data["messages"]
           if m.get("type") == "voice" and not m.get("transcription")]

解读注意事项

• 系统消息（type: "system"）的 sender 为 "" —— 不属于任何人。 常见内容：撤回通知（"X 撤回了一条消息"）、添加好友事件等。
• 空转录（transcription: ""）表示 Whisper 已经运行但未产出文本， 通常是极短或静音片段。这与"尚未转录"（字段缺失）是不同的状态。
• 非文本消息的 content 是渲染摘要：[视频] 12秒、[表情] 哈哈、 [图片] 等。原始媒体仍在 WeChat DB 中，可用 mcp_server.py 中的 辅助函数（decode_image、decode_voice）取出。
• 群聊中的 sender 是群成员解析后的显示名；当前登录用户仍为 "me"。