正则表达式匹配字幕中的 SRT 和 VTT 语法

Question

我有 srt 和 vtt 格式的字幕，我需要匹配和删除特定于格式的语法，只需要干净的文本行。

我想出了这个正则表达式： /\n?\d*?\n?^.* --> [012345]{2}:.*$/m

示例内容（混合 srt 和 vtt）：

1
00:00:04,019 --> 00:00:07,299
line1
line2

2
00:00:07,414 --> 00:00:09,155
line1

00:00:09,276 --> 00:00:11,429
line1

00:00:11,549 --> 00:00:14,874
line1
line2

这符合 https://regex101.com/r/zRsRMR/2/

中模拟的预期字幕编号和时间安排

但是当在代码本身中使用时（即使直接使用 https://regex101.com 生成的代码片段），它只会匹配时间，而不匹配字幕编号。

查看输出：

array (5)
0 => array (1)
0 => "00:00:04,019 --> 00:00:07,299
" (30)
1 => array (1)
0 => "
00:00:07,414 --> 00:00:09,155
" (31)
2 => array (1)
0 => "
00:00:09,276 --> 00:00:11,429
" (31)
3 => array (1)
0 => "
00:00:11,549 --> 00:00:14,874
" (31)
4 => array (1)
0 => "
00:00:11,549 --> 00:00:14,874
" (31)

可以在以下时间进行测试：http://sandbox.onlinephpfunctions.com/code/dec294251b879144f40a6d1bdd516d2050321242

目标是匹配字幕编号，例如第一个预期匹配应该是：

1
00:00:04,019 --> 00:00:07,299

Answer 1

我不太确定这是否是您想要捕获的内容。但是，原因是您可能希望使用捕获组来包装您的字符串，以便于获取。例如，this expression 示例捕获组如何围绕您想要的字符工作：

^([0-9]+\n|)([0-9:,->\s]+)

这可能不是这样做的方式，也不是最好的表达方式。但是，它可能会给您一个想法，以不同的方式处理问题。

我猜您可能想要捕获日期时间行和之前的行，这些行可能有也可能没有数字。

图表

此图显示了表达式的工作原理，您可以在此 link 中可视化其他表达式：

您可能想编写一个脚本来清理您的数据，然后再将其发送到 RegEx 引擎，这样您就会有一个简单的表达式。

示例测试 JavaScript

const regex = /^([0-9]+\n|)([0-9:,->\s]+)/mg;
const str = `1
00:00:04,019 --> 00:00:07,299
line1
line2

2
00:00:07,414 --> 00:00:09,155
line1

00:00:09,276 --> 00:00:11,429
line1

00:00:11,549 --> 00:00:14,874
line1
line2
`;
let m;

while ((m = regex.exec(str)) !== null) {
    // This is necessary to avoid infinite loops with zero-width matches
    if (m.index === regex.lastIndex) {
        regex.lastIndex++;
    }
    
    // The result can be accessed through the `m`-variable.
    m.forEach((match, groupIndex) => {
        console.log(`Found match, group ${groupIndex}: ${match}`);
    });
}

PHP 测试

这可能不会生成您想要的输出，这只是一个示例：

$re = '/^([0-9]+\n|)([0-9:,->\s]+)/m';
$str = '1
00:00:04,019 --> 00:00:07,299
line1
line2

2
00:00:07,414 --> 00:00:09,155
line1

00:00:09,276 --> 00:00:11,429
line1

00:00:11,549 --> 00:00:14,874
line1
line2
';

preg_match_all($re, $str, $matches, PREG_SET_ORDER, 0);

foreach ($matches[0] as $key => $value) {
    if ($value == "") {
        unset($matches[0][$key]);
    } else {
        $matches[0][$key] = trim($value);
    }

}

var_dump($matches[0]);

性能测试

这个 JavaScript 片段显示了使用简单的 100 万次 for 循环时该表达式的性能。

repeat = 1000000;
start = Date.now();

for (var i = repeat; i >= 0; i--) {
 var string = '2  \n00:00:07,414 --> 00:00:09,155';
 var regex = /(.*)([0-9:,->\s]+)/gm;
 var match = string.replace(regex, "");
}

end = Date.now() - start;
console.log("YAAAY! \"" + match + "\" is a match  ");
console.log(end / 1000 + " is the runtime of " + repeat + " times benchmark test.  ");

如果你想在一个变量中捕获所有你想要的输出，你可以简单地在整个表达式周围添加一个捕获组，然后使用 </code>.</p> 调用它 <p>如果需要，您还可以添加或减少边界，例如 <a href="https://regex101.com/r/Gx36yK/1" rel="nofollow noreferrer">this one</a>。 </p> <pre><code>^(?:[0-9]+\n|\n)(([0-9:,]+)([\s->]+)([0-9:,]+))$

第二个表达式

JavaScript 的示例测试

const regex = /^(?:[0-9]+\n|\n)(([0-9:,]+)([\s->]+)([0-9:,]+))$/gm;
const str = `1
00:00:04,019 --> 00:00:07,299
- cdcdc
- cddcd

2
00:00:07,414 --> 00:00:09,155
54564

00:00:09,276 --> 00:00:11,429
- 445454 - ccd
- cdscdcdcd

00:00:11,549 --> 00:00:14,874
line1
line2
`;
let m;

while ((m = regex.exec(str)) !== null) {
    // This is necessary to avoid infinite loops with zero-width matches
    if (m.index === regex.lastIndex) {
        regex.lastIndex++;
    }
    
    // The result can be accessed through the `m`-variable.
    m.forEach((match, groupIndex) => {
        console.log(`Found match, group ${groupIndex}: ${match}`);
    });
}

Answer 2

您可以将表达式的这一部分 \n?\d*?\n? 设为可选组，以匹配 1+ 个数字后跟一个换行符。字符 class [012345] 也可以写成 [0-5]

您可以将您的表达更新为：

^(?:\d+\n)?.*\h+-->\h+[0-5]{2}:.*$

• ^ 字符串开头
• (?:\d+\n)? 可选 1+ 位和换行符
• .*\h+-->\h+ Match 0+ times any char except newline, 1+ horizontal whitespace chars,-->` 和 1+ 个水平空白字符
• [0-5]{2}:匹配2次0-5
• .* 匹配除换行符之外的任何字符 0 次以上
• $ 字符串结束

Regex demo | Php demo