使用正则表达式 C# 解析字幕文件

Posted 2023-03-07

【中文标题】使用正则表达式 C# 解析字幕文件

【英文标题】：Parse subtitle file using regex C#

【发布时间】：2009-11-19 17:19:19

【问题描述】：

我需要找到数字、输入和输出时间码点以及文本的所有行。

9
00:09:48,347 --> 00:09:52,818
- Let's see... what else she's got?
- Yea... ha, ha.

10
00:09:56,108 --> 00:09:58,788
What you got down there, missy?

11
00:09:58,830 --> 00:10:00,811
I wouldn't do that!

12
00:10:03,566 --> 00:10:07,047
-Shit, that's not enough!
-Pull her back!

我目前正在使用这种模式，但它忘记了所有两行文本

(?<Order>\d+)\r\n(?<StartTime>(\d\d:)2\d\d,\d3) --> (?<EndTime>(\d\d:)2\d\d,\d3)\r\n(?<Sub>.+)(?=\r\n\r\n\d+|$)

任何帮助将不胜感激。

【问题讨论】：

您是否让点捕获换行符？使用 RegexOptions.Singleline。否则 (?_{.+) 不会匹配换行符。}

【参考方案1】：

我认为正则表达式存在两个问题。首先是(?<Sub>.+) 末尾附近的. 与换行符不匹配。因此，您可以将其修改为：

(?<Sub>(.|[\r\n])+?)

或者您可以指定RegexOptions.Singleline 作为正则表达式的选项。该选项唯一要做的就是使点匹配换行符。

第二个问题是.+ 匹配尽可能多的行。你可以让它不贪心，比如：

(?<Sub>(.|[\r\n])+?(?=\r\n\r\n|$))

这匹配以空行或字符串结尾的最少文本。

【参考方案2】：

如果我是你，我会退出基于正则表达式的实现，并查看状态机，逐行浏览文件。您的格式看起来很简单，可以用 20-40 行易于理解的代码来处理，但对于合理的正则表达式来说太复杂了。

【参考方案3】：

我会亲自将这些行拆分为一个数组，并在数组中循环检查每一行，只需对 StartTime->EndTime 行进行正则表达式匹配，然后您可以使用一些相当简单的逻辑从前一行中获取 Order，并从后面的行中获取文本（通过向前搜索以找到下一个 StartTime->Endtime 并回溯两行）。

我认为这种方式可以稍微解决问题，这样您就不必使用正则表达式来解决所有问题。

【参考方案4】：

我正在使用以下正则表达式来解析 .srt 文件：

@"(?<number>\d+)\r\n(?<start>\S+)\s-->\s(?<end>\S+)\r\n(?<text>(.|[\r\n])+?)\r\n\r\n"

Regular Expression Language - Quick Reference

【参考方案5】：

我在我的 Ruby 解析器中使用了这个正则表达式：

slines.scan(/(^[0-9]+)\r?\n(.*? --> .*?)\r?\n(.*?)(?=^[0-9]+\r?\n|\s+\Z)/im).map|z| [z[0],[z[1],z[2].strip]]

其中“slines”是读入内存的整个字幕文件。