Python 如何更好地解析随机轨迹列表

我对解析各种格式的轨迹列表感兴趣，其中包含以下行：

artist - title
artist-title
artist / title
artist - "title"
1. artist - title
0:00 - artist - tit le
05 artist - title    12:20
artist - title [record label]

这些文本文件通常包含一个tracklist，但也可能包含我不想解析的其他内容，因此理想情况下，正则表达式需要足够严格，不包含非tracklist的行，尽管这实际上可能是一个平衡问题

我在以下正则表达式方面取得了一些成功：

simple = re.compile(r"""
^
(?P<time>\d?\d:\d\d)? # track time in 00:00 or 0:00
(
(?P<number>\d{1,2})   # track number as 0 01
[^\w]                 # not followed by word
)?
[-.)]?                # possibly followed by something
"?
(?P<artist>[^"@#]+)   # artist anything except "@#
"?
\s[-/\u2013]\s
"?                    # dash surrounded by spaces, possibly unicode
(?P<title>[^"@#]+?)   # title, not greedy
"?
(?P<label>\[\w+\])?   # label i.e. [something Records]
(//|&\#13;)?          # remove some weird endings, i.e. ascii carriage return
$
""", re.VERBOSE)

在2 Croozin'-2 Pumpin'的情况下，判断2不是音轨编号的唯一方法是考虑周围环境，即查看其他音轨。（我忘了提到这一点-这些曲目通常是曲目列表的一部分）

所以我的问题是，我怎样才能在总体上改善这一点？我的一些想法是：

• 使用几个正则表达式，从非常具体的正则表达式开始，继续使用不太具体的正则表达式，直到它被正确解析
• 转储regex并使用适当的解析器，例如pyparsing或parsley，这可能能够更好地利用周围的上下文，但是我对解析一无所知
• 在多行正则表达式中使用lookahead/lookahead查看上一行/下一行
• 使用单独的正则表达式获取时间、曲目编号、艺术家、标题
• 放弃，做一些没有意义的事

---

我可以验证它是否已正确解析（在某种程度上）做了一些事情，例如确保艺术家和标题都不同，曲目有序，时间合理，甚至可能检查艺术家/标题/标签是否确实存在

充其量，您正在处理一个将您从regexps可以单独处理的领域转移到解析的问题

即使您的解析器被实现为一个regexp和一堆启发式算法，它仍然是一个解析器，来自解析的技术将是有价值的。有些语言有一个鸡蛋问题：我想把“以前被称为艺术家，以前被称为王子”的艺术家称为艺术家，而不是音轨标题，但在我第二次看到它之前，我没有上下文来做出决定

为了放大@JonClements注释，如果文件确实包含内部元数据，那么有很多工具可以提取和处理这些信息。即使内部元数据只是增加了“平衡问题”成为专辑标题的可能性，您也需要这些信息

---

尽可能多地窃取设计方法：寻找开源标记操纵器（例如EasyTag），看看它们是如何做到的。当你在学习的时候，你可能会找到一个能帮你完成工作的工具

充其量，您正在处理一个将您从regexps可以单独处理的领域转移到解析的问题

即使您的解析器被实现为一个regexp和一堆启发式算法，它仍然是一个解析器，来自解析的技术将是有价值的。有些语言有一个鸡蛋问题：我想把“以前被称为艺术家，以前被称为王子”的艺术家称为艺术家，而不是音轨标题，但在我第二次看到它之前，我没有上下文来做出决定

为了放大@JonClements注释，如果文件确实包含内部元数据，那么有很多工具可以提取和处理这些信息。即使内部元数据只是增加了“平衡问题”成为专辑标题的可能性，您也需要这些信息

---

尽可能多地窃取设计方法：寻找开源标记操纵器（例如EasyTag），看看它们是如何做到的。当你在学习的时候，你可能会找到一个能帮你完成工作的工具

你不会碰巧有一堆MP3或类似的文件，上面有适当的元数据，是吗？或者，你真的在试图处理一个文本文件和一系列行或其他东西……由于你的语法中固有的歧义，你必须尝试解析许多不同的方式，并检查每种方式是否“有意义”（你提到你能够在某种程度上进行验证）。然后你可以选择第一种有意义的解析，或者，您可以根据语法分析的常见程度为语法分析分配权重，并选择“最佳”语法分析。我认为把所有东西塞进一个正则表达式是行不通的。您必须使用某种标记，然后进行解析。（尽管你可以使用正则表达式进行标记化，如果你愿意。）@JonClements：谢谢你的提问，我意识到我没有给出足够的上下文，所以已经更新了question@kqr：你对语法分析了解多少，你能提供一些资源让我开始解决这个问题吗？你没有一堆MP3或类似的，上面有适当的元数据，是吗？或者，你真的在试图处理一个文本文件和一系列行或其他东西……由于你的语法中固有的歧义，你必须尝试解析许多不同的方式，并检查每种方式是否“有意义”（你提到你能够在某种程度上进行验证）。然后你可以选择第一种有意义的解析，或者，您可以根据语法分析的常见程度为语法分析分配权重，并选择“最佳”语法分析。我认为把所有东西塞进一个正则表达式是行不通的。您必须使用某种标记，然后进行解析。（尽管你可以使用正则表达式进行标记化，如果你愿意。）@JonClements：谢谢你的提问，我意识到我没有给出足够的上下文，所以已经更新了question@kqr：你对语法分析了解多少，你能提供一些资源让我开始解决这个问题吗？因为你花了时间把这个问题作为一个答案，我会补充一个潜在的信息来源，可以利用（艺术家/专辑/曲目名称）is：由于您已经花了时间将此作为一个答案，我将补充一点，可以利用的潜在信息来源（艺术家/专辑/曲目名称）是：

an artist-a title           # couldn't find ' - '
2 Croozin' - 2 Pumpin'      # mistakes 2 as track number
05 artist - title  12:20    # doesn't work at all