我正在编写一个python脚本来解析VTT字幕文件。 我使用正则表达式来匹配和提取特定元素:
我正在使用标准库中的Python're'模块,我正在寻找一个能够匹配以下所有(5)'字幕事件'的正则表达式:
WEBVTT
00:00:00.440 --> 00:00:02.320 align:middle line:-1
Hi.
00:00:03.440 --> 00:00:07.520 align:middle line:-1
This subtitle has one line.
00:00:09.240 --> 00:00:11.080 align:middle line:-2
This subtitle has
two lines.
00:00:15.240 --> 00:00:23.960 align:middle line:-4
Now...
Let's try
four...
lines...
00:00:24.080 --> 00:00:27.080 align:middle
PS:请注意,stackoverflow不允许我在代码块的末尾添加一个空行。通常,最后一个“空”行将存在,因为换行符(\r\n
或\n
)。之后:00:00:24.080 --> 00:00:27.080 align:middle
以下是我的代码。我的问题是,我无法找出一个正则表达式,它将匹配所有的'字幕事件'(包括一个空行的字幕作为'字幕内容')。
import re
import io
webvttFileObject = io.open("C:\Users\john.doe\Documents\subtitle_sample.vtt", 'r', encoding = 'utf-8') # opens WebVTT file forcing UTF-8 encoding
textBuffer = webvttFileObject.read()
regex = re.compile(r"""(^[0-9]{2}[:][0-9]{2}[:][0-9]{2}[.,][0-9]{3}) # match TC-IN in group1
[ ]-->[ ] # VTT/SRT style TC-IN--TC-OUT separator
([0-9]{2}[:][0-9]{2}[:][0-9]{2}[.,][0-9]{3}) # match TC-OUT n group2
(.*)?\n # additional VTT info (like) alignment
(^.+\n)+\n? # subtitle_content """, re.MULTILINE|re.VERBOSE)
subtitle_match_count = 0
for match in regex.finditer(textBuffer):
subtitle_match_count += 1
group1, group2, group3, group4 = match.groups()
tc_in = group1.strip()
tc_out = group2.strip()
vtt_extra_info = group3
subtitle_content = group4
print "*** subtitle match count: %d ***" % subtitle_match_count
print "TIMECODE IN".ljust(20), tc_in
print "TIMECODE OUT".ljust(20), tc_out
print "ALIGN".ljust(20), vtt_extra_info.strip()
print "SUBTITLE CONTENT".ljust(20), subtitle_content
print
我在代码中尝试了几种正则表达式。一切都没有成功。对我来说同样很奇怪的是,如果我将正则表达式组放在变量中并打印它们,就像我正在使用此代码一样,我只将最后一行作为SUBTITLE CONTENT
。但我必须做错事(对吧?)。非常感谢任何帮助。
提前致谢。
答案 0 :(得分:1)
您的正则表达式与最后一个副标题不匹配的原因在于:
(^.+\n)+\n?
^.+\n
正在寻找包含1个或多个字符的行。但是文件中的最后一行是空的,所以它不匹配。
subtitle_content
仅包含最后一行的原因也在那里。您将每一行逐一与(^.+\n)+
匹配,即捕获组始终只捕获一行。对于每个匹配的行,捕获组的先前值将被丢弃,因此最后剩下的就是最后一行。如果要捕获所有行,您可以将它们全部匹配到捕获组的内,例如:
((?:^.+\n)+)
为了使正则表达式正常工作,我稍微改变了最后两行:
(^[0-9]{2}[:][0-9]{2}[:][0-9]{2}[.,][0-9]{3})
[ ]-->[ ]
([0-9]{2}[:][0-9]{2}[:][0-9]{2}[.,][0-9]{3})
([^\n]*)?\n # replaced `.*` with `[^\n]*` here because of the S-modifier
(.*?)(?:\n\n|\Z) # this now captures everything up to 2 consecutive
# newlines or the end of the string
此正则表达式需要修饰符m
(多行),s
(单行),当然还需要x
(详细)。
在行动here中查看。