Python 使用正则表达式格式化标题中的文本时出现问题

我试图得到字幕文本来分析它，但我一直在试图以可读的方式得到字幕文本。我使用正则表达式来获取字幕编号、字幕时间和字幕语音。当讲到演讲时，我会看到很多空行，因为字幕的设置就像图片一样。所以<强>我只想创建一个只包含语音的列表，而不是空白行< /强>。我得到的列表也在图像中

以下是标题中的示例：

1
00:00:00,030 --> 00:00:05,370
so here we are at the offices of my

2
00:00:02,240 --> 00:00:05,370



3
00:00:02,250 --> 00:00:07,319
accountants of your Eric Biddle mr.

4
00:00:05,360 --> 00:00:07,319



5

:

---

我建议您将文本作为一个整体进行扫描，而不是单独的一行。您还可以在模式中使用组来捕获和包含数据。我将阅读以下数据：

打开（'test_subtitle.srt'，'r'）作为f：
副标题=f.阅读（）

然后使用以下代码匹配单个部分并提取数据：

重新导入
num_pat=r'（\d+）
时间{pat=r'（\d{2，}:\d{2}:\d{2}、\d{3}）-->（\d{2，}:\d{2}:\d{2}、\d{3}）
句子\u pat=r'（[^\n]*）\n'
data\u pattern=re.compile（r'\n'.join（[num\u pat，time\u pat，句子\u pat]））
打印（“数据模式：”，数据模式）
关于finditer中的i（数据模式，副标题）：
打印（'-'*20）
印刷品（一组（1））
打印（f'time:{i.group（2）}-->{i.group（3）}）
打印（'文本：'，报告（i.group（4）））
打印（）

---

我在代码中注意到的一个问题是，在定义模式时，使用的是普通字符串，而不是原始字符串，并且没有避开反斜杠。如果要使用反斜杠而不转义，则应使用原始字符串。希望这有帮助。

这真的很有帮助。非常感谢你。我不习惯你以前做的一些事情，但我可以看到我可以用这个达到我想去的地方。我想用语言处理器分析文本，然后在时间戳中返回标志。@luka1156只需查找正则表达式组，我想您会更好地理解。我可以看到您的代码非常现代，我尝试做的一些事情已经过时。再次感谢，是的！现在我明白了。编译格式中的每个闭括号都是一个组。您正在使用group（）调用它们。共有4个已编译组。组（0）将是整个匹配字符串

import re

filename = r'test_subtitle.srt'
pattern_number = re.compile('^\d+$')
pattern_time = re.compile('^[\d]+:[\d]+:[\d]+,[\d]+ --> [\d]+:[\d]+:[\d]+,[\d]+$')
pattern_speech = re.compile("^[A-Za-z,;'\"\\s]+[.?!]*$")

for i, line in enumerate(open(filename)):
    for match in re.findall(pattern_number, line):
        print(match)

for i, line in enumerate(open(filename)):
    for match in re.findall(pattern_time, line):
        print(match)

speech = []

for i, line in enumerate(open(filename)):
    for match in re.findall(pattern_speech, line):
        speech.append(match)

print(speech)