利用regex从webvtt中提取

Question

我正在尝试构建一个regex，以便在.Net环境中使用，这将允许我从webvtt文件中提取信息。

我想从下一行提取时间码信息和相应的信息，这些信息可能是字幕，也可能是其他内容。我遇到的问题是，下一行的信息有时是一行，有时是多行的，例如：

00:00:02.736 --> 00:00:06.072 line:79.33% position:10.00% align:start 
   AND YOUR GRACE?

00:00:06.072 --> 00:00:08.875 line:74.00% position:10.00% align:start 
  WHAT WILL YOU DO
     ABOUT THAT?

我需要确保我得到了全部，而不是无意中进入下一组的开始。

我试过这个：

\n(\d{2}:\d{2}:\d{2}.\d{3})(.|\n)*(?<!\d{2}:\d{2}:\d{2}.\d{3})

这样做的想法是，它获得第一个timecode和之后的所有内容，但在第一个timecode的下一个出现时停止，但是它捕获了整个文件。

我也试过：

(?<!WEBVTT)(\d{2}:\d{2}:\d{2}.\d{3}).*?(\d{2}:\d{2}:\d{2}.\d{3}).*\n([^\n]+\n)*[^\n]+

我意识到，负面展望在一开始是多余的。在这里，我试图将时间序列分成不同的组，忽略该行的其余部分，然后从新行开始捕获所有内容，但这是跳过字幕文本，而不是跨越多行。

我似乎遇到的问题是，我要么抓住了太多的线条，要么就不够。

是否有方法告诉regex匹配某物(如第一次时间码)及其之后的一切，然后在第一次比赛被击中时重新开始？

我确信这是可能的，但我对regex的使用还不熟悉，所以我发现这很困难。我不介意我必须把它分解成更多的操作才能得到想要的结果。

所以我想得到的是：

第一组：

00:00:02.736

或

00:00:02.736 --> 00:00:06.072

第二项(或第三项视上述情况而定)：

AND YOUR GRACE?

然后：

00:00:06.072 --> 00:00:08.875

其次是：

WHAT WILL YOU DO
 ABOUT THAT?

等

Answer 1

看来你可以用

(?m)^(\d{2}:\d{2}:\d{2}\.\d+) +--> +(\d{2}:\d{2}:\d{2}\.\d+).*[\r\n]+\s*(?s)((?:(?!\r?\n\r?\n).)*)

见regex演示

详细信息

• (?m) -多行模式
• ^ -行的开始(由于(?m))
• (\d{2}:\d{2}:\d{2}\.\d+) -第1组:时间戳模式
• +--> + - 1+空间，-->，1+空间
• (\d{2}:\d{2}:\d{2}\.\d+) -第2组:时间戳模式
• .*[\r\n]+\s* -行的其余部分(.*)、1+换行字符([\r\n]+)和0+空格(\s*)
• (?s) -从现在起启用DOTALL (.匹配换行符)
• ((?:(?!\r?\n\r?\n).)*) -第3组:没有启动双行中断序列的任何字符，0+时间。

​

​