Php 字幕中SRT和VTT语法的正则表达式匹配

我有两个srt和vtt格式的字幕，我需要匹配和删除格式特定的语法，只是得到干净的文字行

我想出了这个正则表达式：

/\n？\d*？\n？^.*-->[012345]{2}:.*$/m

样品含量（混合srt和vtt）：

这与中模拟的字幕编号和时间匹配

但当在代码本身中使用时（甚至直接使用从中生成的代码段），这将只匹配时间，而不是字幕编号

见输出：

array (5)
0 => array (1)
0 => "00:00:04,019 --> 00:00:07,299
" (30)
1 => array (1)
0 => "
00:00:07,414 --> 00:00:09,155
" (31)
2 => array (1)
0 => "
00:00:09,276 --> 00:00:11,429
" (31)
3 => array (1)
0 => "
00:00:11,549 --> 00:00:14,874
" (31)
4 => array (1)
0 => "
00:00:11,549 --> 00:00:14,874
" (31)

可在以下位置进行测试：

目标是匹配字幕编号，例如，第一个预期匹配应为：

1
00:00:04,019 --> 00:00:07,299

---

我不太确定，这是否是你想要捕捉的。但是，原因是您可能希望使用捕获组来包装字符串，以便更容易获取。例如，捕获组如何围绕所需角色工作的示例：

^([0-9]+\n|)([0-9:,->\s]+)

这可能不是这样做的方式，也不是最好的表达方式。然而，它可能会给你一个想法，以不同的方式处理这个问题

我猜您可能希望捕获日期时间行和之前的行，这些行可能有数字，也可能没有数字

图表 此图显示了表达式的工作方式，您可以通过以下方式可视化其他表达式：

在将数据发送到正则表达式引擎之前，您可能需要编写一个脚本来清理数据，这样您就可以得到一个简单的表达式

使用JavaScript进行示例测试

const regex=/^（[0-9]+\n |）（[0-9:，->\s]+）/mg；
常量str=`1
00:00:04,019 --> 00:00:07,299
第1行
第2行
2.
00:00:07,414 --> 00:00:09,155
第1行
00:00:09,276 --> 00:00:11,429
第1行
00:00:11,549 --> 00:00:14,874
第1行
第2行
`;
让m；
while（（m=regex.exec（str））！==null）{
//这是避免具有零宽度匹配的无限循环所必需的
if（m.index==regex.lastIndex）{
regex.lastIndex++；
}
//可以通过'm`-变量访问结果。
m、 forEach（（匹配，组索引）=>{
log（`Found match，group${groupIndex}:${match}`）；
});
}

您可以将表达式的这一部分

\n？\d*？\n？

设置为可选组，以匹配1+个数字，后跟换行符。字符类

[012345]

也可以写成

[0-5]

您可以将表达式更新为：

^(?:\d+\n)?.*\h+-->\h+[0-5]{2}:.*$

• ^

  字符串的开头

• （？：\d+\n）？

  可选1+位数和换行符

• *\h+-->\h+匹配除换行符、1+水平空白字符、

  -->`和1+水平空白字符以外的任何字符的0+倍

• [0-5]{2}:

  匹配2次0-5

• *

  匹配0+乘以除换行符以外的任何字符

• $

  字符串结尾

---

|

感谢Emma的全面回复，我真的不需要使用capture group，因为我稍后只需运行

preg_split

即可删除匹配项并获得具有干净线条的阵列，尝试了您的方法，发现它与我的示例中未列出的几个案例不匹配-此处更新：很好，从您的解决方案中选择了一些想法谢谢，最后，我提出了类似的解决方案，似乎也如预期的那样有效：

^（？:\n？\d.\n^）？.\h+-->\h+[0-5]{2}:.$

（）因为我从你的答案中得到了灵感，所以我会将它标记为一个答案

^(?:\d+\n)?.*\h+-->\h+[0-5]{2}:.*$