解析srt字幕

Question

我想解析srt字幕：

    1
    00:00:12,815 --> 00:00:14,509
    Chlapi, jak to jde s
    těma pracovníma světlama?.

    2
    00:00:14,815 --> 00:00:16,498
    Trochu je zesilujeme.

    3
    00:00:16,934 --> 00:00:17,814
    Jo, sleduj.

每个项目都放到一个结构里。用这个正则表达式：

A：

RE_ITEM = re.compile(r'(?P<index>\d+).'
    r'(?P<start>\d{2}:\d{2}:\d{2},\d{3}) --> '
    r'(?P<end>\d{2}:\d{2}:\d{2},\d{3}).'
    r'(?P<text>.*?)', re.DOTALL)

B：

RE_ITEM = re.compile(r'(?P<index>\d+).'
    r'(?P<start>\d{2}:\d{2}:\d{2},\d{3}) --> '
    r'(?P<end>\d{2}:\d{2}:\d{2},\d{3}).'
    r'(?P<text>.*)', re.DOTALL)

还有这段代码：

    for i in Subtitles.RE_ITEM.finditer(text):
    result.append((i.group('index'), i.group('start'), 
             i.group('end'), i.group('text')))

用代码B的时候，我的数组里只有一个项目（因为贪婪的.*），而用代码A的时候，我的'text'是空的，因为用了非贪婪的.*?

怎么解决这个问题呢？

谢谢

Answer 1

我对现有的Python字幕库感到很沮丧，因为它们通常比较复杂，而且使用了自定义的类，而不是Python标准的类型。因此，我花了大约一年的时间自己开发了一个字幕库。你可以在这里找到它：https://github.com/cdown/srt.

我尽量让这个库简单，类的数量也不多（除了核心的Subtitle类，它主要是用来存储SRT块数据）。这个库可以读取和写入SRT文件，还能把不合规的SRT文件转换成合规的。

下面是一个使用示例，使用你的示例输入：

>>> import srt, pprint
>>> gen = srt.parse('''\
... 1
... 00:00:12,815 --> 00:00:14,509
... Chlapi, jak to jde s
... těma pracovníma světlama?.
... 
... 2
... 00:00:14,815 --> 00:00:16,498
... Trochu je zesilujeme.
... 
... 3
... 00:00:16,934 --> 00:00:17,814
... Jo, sleduj.
... 
... ''')
>>> pprint.pprint(list(gen))
[Subtitle(start=datetime.timedelta(0, 12, 815000), end=datetime.timedelta(0, 14, 509000), index=1, proprietary='', content='Chlapi, jak to jde s\ntěma pracovníma světlama?.'),
 Subtitle(start=datetime.timedelta(0, 14, 815000), end=datetime.timedelta(0, 16, 498000), index=2, proprietary='', content='Trochu je zesilujeme.'),
 Subtitle(start=datetime.timedelta(0, 16, 934000), end=datetime.timedelta(0, 17, 814000), index=3, proprietary='', content='Jo, sleduj.')]

Answer 2

为什么不使用 pysrt 呢？

Answer 3

文本后面跟着一个空行，或者文件的结尾。所以你可以使用：

r' .... (?P<text>.*?)(\n\n|$)'