Skip to main content
 首页 » 编程设计

python 2.7 : Matching a subtitle events in VTT subtitles using a regular expression

2025年01月19日9fff_TT

我正在编写一个 python 脚本来解析 VTT 字幕文件。 我正在使用正则表达式来匹配和提取特定元素:

  • '在时间码'
  • '输出时间码'
  • '其他信息'(主要是对齐信息,如对齐:中间或行:-1)
  • 字幕内容(实际文字)

我正在使用标准库中的 Python 的“re”模块,我正在寻找一个匹配以下所有 (5) 个“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”行会因为换行符(\r\n 或 \n)而存在。之后:00:00:24.080 --> 00:00:27.080 align:middle

下面是我的代码。我的问题是我想不出一个正则表达式来匹配所有的“字幕事件”(包括带有空行作为“字幕内容”的事件)。

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的变体。都没有成功。对我来说也很奇怪的是,如果我将正则表达式组放在一个变量中并打印它们,就像我正在处理这段代码一样,我只会得到最后一行 SUBTITLE CONTENT。但我一定做错了什么(对吧?)。非常感谢任何帮助。

提前致谢。

请您参考如下方法:

你的正则表达式与最后一个副标题不匹配的原因在这里:

(^.+\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,所以不匹配。

subtitle_content 只包含最后一行的原因也是有的。您正在用 (^.+\n)+ 逐行匹配每一行,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。如果你想捕获所有行,你已经在捕获组内部中一​​次性匹配它们,例如像这样:

((?:^.+\n)+) 

为了使正则表达式正常工作,我稍微更改了最后两行:

(^[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),当然还有 x(详细)。

查看实际效果 here .