用regex解析.srt文件

Question

我正在用python编写一个小脚本，但是由于我是个新手，所以我陷入了一个部分:我需要从.srt文件中获取时间和文本。例如，从

1
00:00:01,000 --> 00:00:04,074
Subtitles downloaded from www.OpenSubtitles.org

我要得到：

00:00:01,000 --> 00:00:04,074

和

Subtitles downloaded from www.OpenSubtitles.org。

我已经成功地制定了时间的准则，但我仍然坚持文字。我试着用“后面看”来表示计时：

( ?<=(\d+):(\d+):(\d+)(?:\,)(\d+) --> (\d+):(\d+):(\d+)(?:\,)(\d+) )\w+

但没有效果。就我个人而言，我认为使用回头看是解决这一问题的正确方法，但我不知道如何正确地编写它。有谁可以帮我？谢谢。

Answer 1

老实说，我看不出有什么理由对这个问题大发雷霆。.srt文件是高度结构化。其结构如下：

• 从1开始的整数，单调递增
• 启动->停止计时
• 一个或多个字幕内容的行
• 空白行

..。再说一遍。注意粗体部分--在时间代码之后，您可能需要捕获1、2或20行字幕内容。

所以，好好利用这个结构。通过这种方式，您可以在一次传递中解析所有内容，而不需要每次将多行放入内存中，并且仍然将每个字幕的所有信息放在一起。

from itertools import groupby
# "chunk" our input file, delimited by blank lines
with open(filename) as f:
    res = [list(g) for b,g in groupby(f, lambda x: bool(x.strip())) if b]

例如，使用SRT页面上的示例，我得到：

res
Out[60]: 
[['1\n',
  '00:02:17,440 --> 00:02:20,375\n',
  "Senator, we're making\n",
  'our final approach into Coruscant.\n'],
 ['2\n', '00:02:20,476 --> 00:02:22,501\n', 'Very good, Lieutenant.\n']]

我可以把它进一步转化为一个有意义的对象列表：

from collections import namedtuple

Subtitle = namedtuple('Subtitle', 'number start end content')

subs = []

for sub in res:
    if len(sub) >= 3: # not strictly necessary, but better safe than sorry
        sub = [x.strip() for x in sub]
        number, start_end, *content = sub # py3 syntax
        start, end = start_end.split(' --> ')
        subs.append(Subtitle(number, start, end, content))

subs
Out[65]: 
[Subtitle(number='1', start='00:02:17,440', end='00:02:20,375', content=["Senator, we're making", 'our final approach into Coruscant.']),
 Subtitle(number='2', start='00:02:20,476', end='00:02:22,501', content=['Very good, Lieutenant.'])]

Answer 2

不同意@roippi。Regex是一个非常好的文本匹配解决方案。这个解决方案的Regex并不复杂。

import re   

f = file.open(yoursrtfile)
# Parse the file content
content = f.read()
# Find all result in content
# The first big (__) retrieve the timing, \s+ match all timing in between,
# The (.+) means retrieve any text content after that.
result = re.findall("(\d+:\d+:\d+,\d+ --> \d+:\d+:\d+,\d+)\s+(.+)", content)
# Just print out the result list. I recommend you do some formatting here.
print result

Answer 3

号码：^[0-9]+$

时间：

^[0-9][0-9]:[0-9][0-9]:[0-9][0-9],[0-9][0-9][0-9] --> [0-9][0-9]:[0-9][0-9]:[0-9][0-9],[0-9][0-9][0-9]$

字符串：*[a-zA-Z]+*

希望能帮上忙。