接受任何字母任何语言、符号或数字的任何汇编的正则表达式

Question

我正在开发一个正则表达式，它可以从字幕文件中获取文本，该文件可以是任何语言，有时包含 Unicode 字符

String str=
   "1
    00:00:25,690 --> 00:00:44,410
    As you can see he is no longer 1 year old, he is 12 years old now.

    2
    00:00:44,410 --> 00:00:58,120
    He helps with the baby girl
";

使用 ragex 获取每个插槽：

((^1\n|(\n\d+\n))(\d{2}:\d{2}:\d{2},\d{3}.*\d{2}:\d{2}:\d{2},\d{3}))[\p{P}\p{L}\p{P}*-,;'\"\s]+

但最近发现字幕文本槽可以包含数字，那么如何涵盖任何字符、任何语言、任何 Unicode 字符以及介于两者之间的任何数字的所有可能性。

尝试添加 \p{N}

但是失败了。它现在也包括时间和字幕顺序：有时喜欢：blah blah blah.400:00:44,410

是否可以更新正则表达式以匹配文本槽中找到的数字，但不是字幕时间数字的一部分。

Answer 1

你的字符 class 有一个错误：* 和 , 之间的 - 表示范围而不是字符 -。可以转义，也可以放在字符class.

的beginning/end处

解决这个问题并添加 \p{N} 给我们 [\p{P}\p{L}\p{P}*,;'"\s\p{N}-]+ 这几乎是完美的但失败了，因为它不包括 >.

[\p{P}\p{L}\p{P}*,;'"\s\p{N}>-]+就完美了，见demo

Answer 2

.srt specification 太简单了，你不应该写一个大的，可能会损坏的 RegExp 来解析它。

从 Java 8 开始，您可以使用 \R 来匹配任何换行符。

因此，将您的 .srt 文件拆分为 "\R\R" 以获得字幕块。

对于每个字幕块，围绕 "\R" 拆分，最多包含 3 个元素。你得到一个 String[] 和 :

id
t1 --> t2
任何语言的文本，可能包含换行符和数字。

完成！

=> [["1", "00:00:23,480 --> 00:00:27,920", "AM RANDE DER NACHT"],
 ["2", "00:02:22,570 --> 00:02:24,060", "- Salü.\r\n- Monsieur."],
 ["3", "00:02:25,300 --> 00:02:26,890", "- Panne?\r\n- Hm."],
 ["4", "00:02:29,840 --> 00:02:31,830", "Und wieviel brauchst du?"],
 ["5", "00:02:32,340 --> 00:02:34,000", "Von was, Monsieur?"],
 ["6", "00:02:34,120 --> 00:02:35,140", "Na ja, Sprit."],
 ["7", "00:02:36,210 --> 00:02:38,230", "Es äh... es liegt nicht am Sprit."],
 ["8", "00:02:38,490 --> 00:02:40,710", "Es ist, glaub ich, die Kerze."],
 ["9", "00:02:42,220 --> 00:02:43,980", "Was für 'ne Kerze brauchst du?"],
 ["10", "00:02:45,390 --> 00:02:47,800", "Äh, 'ne Kerze eben. Für 'n Moped."]]

接受任何字母任何语言、符号或数字的任何汇编的正则表达式

Regex that accepts any compilation of any letters any languages,symbols or numbers

java

regex

subtitle