2

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'
  • '出时间码'
  • “其他信息”（主要是对齐信息，如 align:middle 或 line:-1）
  • 字幕内容（实际文本）

我正在使用标准库中的 Python 're' 模块，并且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空行。通常，最后一个“空”行将存在，因为换行符（\r\n或\n）。后：00:00:24.080 --> 00:00:27.080 align:middle

下面是我的代码。我的问题是我无法找出一个匹配所有“字幕事件”的正则表达式（包括一个以空行作为“字幕内容”的正则表达式）。

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，就像我正在使用这段代码一样，我只会得到最后一行作为SUBTITLE CONTENT. 但我一定做错了什么（对吧？）。任何帮助是极大的赞赏。

提前致谢。

4

1 回答 1

1

您的正则表达式与最后一个字幕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在那里。您将每一行与 逐一匹配(^.+\n)+，即捕获组始终仅捕获一行。对于每个匹配的行，捕获组的先前值被丢弃，所以最后你只剩下最后一行。如果要捕获所有行，则必须在捕获组中一次将它们全部匹配，例如：

((?:^.+\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

这个正则表达式需要修饰符m（多行）、s（单行），当然还有x（详细）。

在这里查看它的实际应用。

于 2018-02-06T10:34:56.517 回答