我正在编写一个 python 脚本来解析 VTT 字幕文件。 我正在使用正则表达式来匹配和提取特定元素:
- '在时间码'
- '输出时间码'
- '其他信息'(主要是对齐信息，如对齐:中间或行:-1)
- 字幕内容(实际文字)
我正在使用标准库中的 Python 的“re”模块，我正在寻找一个匹配以下所有 (5) 个“字幕事件”的正则表达式:
WEBVTT
00:00:00.440 --> 00:00:02.320 align:middle line:-1
Hi.
00:00:03.440 --> 00:00:07.520 align:middle line:-1
This subtitle has one line.
00:00:09.240 --> 00:00:11.080 align:middle line:-2
This subtitle has
two lines.
00:00:15.240 --> 00:00:23.960 align:middle line:-4
Now...
Let's try
four...
lines...
00:00:24.080 --> 00:00:27.080 align:middle
PS:请注意，stackoverflow 不允许我在代码块的末尾添加一个空行。通常最后一个“空”行会因为换行符(\r\n 或 \n)而存在。之后:00:00:24.080 --> 00:00:27.080 align:middle
下面是我的代码。我的问题是我想不出一个正则表达式来匹配所有的“字幕事件”(包括带有空行作为“字幕内容”的事件)。
import re
import io
webvttFileObject = io.open("C:\Users\john.doe\Documents\subtitle_sample.vtt", 'r', encoding = 'utf-8') # opens WebVTT file forcing UTF-8 encoding
textBuffer = webvttFileObject.read()
regex = re.compile(r"""(^[0-9]{2}[:][0-9]{2}[:][0-9]{2}[.,][0-9]{3}) # match TC-IN in group1
[ ]-->[ ] # VTT/SRT style TC-IN--TC-OUT separator
([0-9]{2}[:][0-9]{2}[:][0-9]{2}[.,][0-9]{3}) # match TC-OUT n group2
(.*)?\n # additional VTT info (like) alignment
(^.+\n)+\n? # subtitle_content """, re.MULTILINE|re.VERBOSE)
subtitle_match_count = 0
for match in regex.finditer(textBuffer):
subtitle_match_count += 1
group1, group2, group3, group4 = match.groups()
tc_in = group1.strip()
tc_out = group2.strip()
vtt_extra_info = group3
subtitle_content = group4
print "*** subtitle match count: %d ***" % subtitle_match_count
print "TIMECODE IN".ljust(20), tc_in
print "TIMECODE OUT".ljust(20), tc_out
print "ALIGN".ljust(20), vtt_extra_info.strip()
print "SUBTITLE CONTENT".ljust(20), subtitle_content
print
我在代码中尝试了几种正则表达式的变体。都没有成功。对我来说也很奇怪的是，如果我将正则表达式组放在一个变量中并打印它们，就像我正在处理这段代码一样，我只会得到最后一行 SUBTITLE CONTENT。但我一定做错了什么(对吧？)。非常感谢任何帮助。
提前致谢。
最佳答案
你的正则表达式与最后一个副标题不匹配的原因在这里:
(^.+\n)+\n?
^.+\n 正在寻找包含 1 个或多个字符的行。但是文件中的最后一行是空的，所以不匹配。
subtitle_content 只包含最后一行的原因也是有的。您正在用 (^.+\n)+ 逐行匹配每一行，即捕获组始终只捕获一行。对于每个匹配的行，捕获组的先前值将被丢弃，因此最后剩下的就是最后一行。如果你想捕获所有行，你已经在捕获组内部中一次性匹配它们，例如像这样:
((?:^.+\n)+)
为了使正则表达式正常工作，我稍微更改了最后两行:
(^[0-9]{2}[:][0-9]{2}[:][0-9]{2}[.,][0-9]{3})
[ ]-->[ ]
([0-9]{2}[:][0-9]{2}[:][0-9]{2}[.,][0-9]{3})
([^\n]*)?\n # replaced `.*` with `[^\n]*` here because of the S-modifier
(.*?)(?:\n\n|\Z) # this now captures everything up to 2 consecutive
# newlines or the end of the string
此正则表达式需要修饰符 m(多行)、s(单行)，当然还有 x(详细)。
查看实际效果 here .
关于 python 2.7 : Matching a subtitle events in VTT subtitles using a regular expression，我们在Stack Overflow上找到一个类似的问题： https://stackoverflow.com/questions/48640490/