python - 使用正则表达式解析 .srt 文件

Question

我正在用 python 编写一个小脚本，但由于我是新手，所以我被困在了一个部分:我需要从 .srt 文件中获取时间和文本。例如，来自

1
00:00:01,000 --> 00:00:04,074
Subtitles downloaded from www.OpenSubtitles.org

我需要得到:

00:00:01,000 --> 00:00:04,074

和

从 www.OpenSubtitles.org 下载的字幕。

我已经成功地为计时制作了正则表达式，但我被文本困住了。我尝试使用 look behind 我使用我的正则表达式进行计时:

( ?<=(\d+):(\d+):(\d+)(?:\,)(\d+) --> (\d+):(\d+):(\d+)(?:\,)(\d+) )\w+

但没有效果。就个人而言，我认为使用look behind 是解决此问题的正确方法，但我不确定如何正确编写它。谁能帮我？谢谢。

Answer 1

老实说，我看不出有任何理由在这个问题上使用正则表达式。 .srt 文件是 highly structured .结构如下:

• 从 1 开始的整数，单调递增
• 开始-->停止计时
• 一行或多行字幕内容
• 一个空行

... 并重复。请注意粗体部分 - 您可能需要在时间码后捕获 1、2 或 20 行字幕内容。

所以，就利用结构吧。通过这种方式，您可以一次解析所有内容，而无需一次将多行内容放入内存，并且仍然将每个字幕的所有信息保存在一起。

from itertools import groupby
# "chunk" our input file, delimited by blank lines
with open(filename) as f:
    res = [list(g) for b,g in groupby(f, lambda x: bool(x.strip())) if b]

例如，使用 SRT 文档页面上的示例，我得到:

res
Out[60]: 
[['1\n',
  '00:02:17,440 --> 00:02:20,375\n',
  "Senator, we're making\n",
  'our final approach into Coruscant.\n'],
 ['2\n', '00:02:20,476 --> 00:02:22,501\n', 'Very good, Lieutenant.\n']]

我可以进一步将其转换为有意义的对象列表:

from collections import namedtuple

Subtitle = namedtuple('Subtitle', 'number start end content')

subs = []

for sub in res:
    if len(sub) >= 3: # not strictly necessary, but better safe than sorry
        sub = [x.strip() for x in sub]
        number, start_end, *content = sub # py3 syntax
        start, end = start_end.split(' --> ')
        subs.append(Subtitle(number, start, end, content))

subs
Out[65]: 
[Subtitle(number='1', start='00:02:17,440', end='00:02:20,375', content=["Senator, we're making", 'our final approach into Coruscant.']),
 Subtitle(number='2', start='00:02:20,476', end='00:02:22,501', content=['Very good, Lieutenant.'])]