使用正则表达式格式化字幕中的文本时出现问题

Question

我正在尝试获取字幕文本以对其进行分析，但我无法以可读的方式获取字幕文本。我正在使用正则表达式来获取字幕编号、字幕时间和字幕语音。当谈到演讲时，我得到了很多空白行，因为字幕的设置就像图像一样。所以我只想创建一个只包含语音而不包含空行的列表。我得到的列表也在图像中。

这里也有一个来自字幕的示例：

1
00:00:00,030 --> 00:00:05,370
so here we are at the offices of my

2
00:00:02,240 --> 00:00:05,370



3
00:00:02,250 --> 00:00:07,319
accountants of your Eric Biddle mr.

4
00:00:05,360 --> 00:00:07,319



5

MY LIST

CAPTIONS:

import re

filename = r'test_subtitle.srt'
pattern_number = re.compile('^\d+$')
pattern_time = re.compile('^[\d]+:[\d]+:[\d]+,[\d]+ --> [\d]+:[\d]+:[\d]+,[\d]+$')
pattern_speech = re.compile("^[A-Za-z,;'\"\s]+[.?!]*$")

for i, line in enumerate(open(filename)):
    for match in re.findall(pattern_number, line):
        print(match)

for i, line in enumerate(open(filename)):
    for match in re.findall(pattern_time, line):
        print(match)

speech = []

for i, line in enumerate(open(filename)):
    for match in re.findall(pattern_speech, line):
        speech.append(match)

print(speech)

Answer 1

我建议您将文本作为一个整体而不是单独的行来浏览。您还可以在模式中使用组来捕获和包含数据。我会按如下方式读取数据：

with open('test_subtitle.srt', 'r') as f:
    subtitles = f.read()

然后使用以下代码我将匹配单个部分并提取数据：

import re

num_pat = r'(\d+)'
time_pat = r'(\d{2,}:\d{2}:\d{2},\d{3}) --> (\d{2,}:\d{2}:\d{2},\d{3})'
sentence_pat = r'([^\n]*)\n'

data_pattern = re.compile(r'\n'.join([num_pat, time_pat, sentence_pat]))
print('data_pattern:', data_pattern)

for i in re.finditer(data_pattern, subtitles):
    print('-'*20)
    print(i.group(1))
    print(f'time: {i.group(2)} --> {i.group(3)}')
    print('text:', repr(i.group(4)))
    print()

我在您的代码中还注意到的一个问题是，在定义模式时，您使用的是普通字符串而不是原始字符串，并且您没有转义反斜杠。如果你想在不转义的情况下使用反斜杠，你应该使用原始字符串。希望这对您有所帮助。

使用正则表达式格式化字幕中的文本时出现问题

Problem formatting text from captions using regular expressions

python

regex

caption