如何从文件名中提取电影标题

Question

我想从电影文件名中提取元数据（标题和年份）。

文件名的格式并不标准，但也不是随机的，因此我尽可能覆盖了许多情况。
为了给你一个想法，这是一些文件名的示例：

samples = ['The Movie Title.avi',
           'The Movie Title DVDRIP. Useless.info.avi',
           'The Movie Title [2005].avi',
           'The Movie Title (2005) [Useless.info].avi',
           'The Movie Title 2005 H264 DVDRip Useless-Info.avi',
           'The Movie Title 2005 XviD Useless info.avi',
           'The Movie Title {2005} DVDRIP. UselessInfo.avi',
           'The.Movie.Title.2005.Useless.info.avi',
           '[Useless.info]_The.Movie.Title.2005.Useless.avi']

无论在哪里出现UselessInfo，都是因为那里写的内容可能是任何东西，不能用来获取信息（从文件到文件的变化）。还要注意，'The Movie Title'可能是一个带有数字或非字母字符的东西，例如：The Movie Title 2 - The Return'。

预期输出应该是一个像这样的字典：

metadata = {'title': 'The Movie Title', 'year': '2005'}

目前我正在使用一系列正则表达式，但我不知道是否有更好的方法来实现这个功能。

- Rik Poggi

---

这是一个有趣的问题，但你的一些步骤可能会破坏你试图提取的标题。第5步将从任何以数字开头的电影标题中删除数字（例如“60秒”）。 - Maciek

我相信你应该有更大的垃圾关键词集，而不仅仅是 ['dvd', 'DVD'] :) 你可以尝试更灵活的扩展名剥离：name = name[:name.rfind('.')] - 还有那些旧的 *.mpeg 扩展名。 - Maciek

@Maciek：这不是真的：步骤5仅删除非字母数字字符。 - Rik Poggi

@Rik 在评论中写道：“我看不出这怎么可能行得通：我将有一个巨大的电影列表要与另一个巨大的电影列表进行比较”。因此，也许可以分开或只是更新这个问题陈述，并提出问题，指出这个问题：“我必须移动列表。每个移动名称的格式可能不同。如何以聪明的方式比较这些列表（当前想法：一组正则表达式）。” - Grzegorz Wierzowiecki

@RikPoggi，我想知道你用于示例的正则表达式链是否可以分享一下？ - Siddharth Gupta

Answer 1

那是很久以前的事情了！但如果有人需要，我发现这个名为PTN的Python库非常有用！非常感谢编写它的人！

安装方法: pip install parse-torrent-name

import PTN

torrentName = "[Torrent9.info ] Silicon.Valley.S04E04.VOSTFR.WEB-DL.XviD-T9.avi"

info = PTN.parse(torrentName)

print(info)

输出：{'episode': 4, 'codec': 'XviD', 'title': 'Silicon.Valley.', 'group': 'T9', 'website': 'Torrent9.info', 'excess': 'VOSTFR', 'season': 4, 'quality': 'WEB-DL'}

看起来正是您所需的！

- Lbrth_BoC

---

虽然这个链接可能回答了问题，但最好在此处包含答案的必要部分并提供链接作为参考。仅有链接的答案如果链接页面发生更改，则可能变得无效。 - slfan

我非常感激自己决定谷歌这个看似晦涩的问题。谢谢你分享这个宝藏，你救了我！ - Anchith Acharya

Answer 2

为什么不下载一个数据库(例如维基百科)的电影名称和日期列表，然后将文件名与该列表进行比较？有很多边缘情况可能更有效。

- charlax

---

我看不出这怎么可能行得通：我将有一个巨大的电影列表与另一个巨大的电影列表进行比较（我怀疑这需要一些时间），由于我不可能拥有所有电影的列表，因此仍然存在不确定性，这将导致未知结果而不是部分结果。只要用户能够覆盖一堆几乎正确的结果，对我来说，一个好的正则表达式算法似乎更好。 - Rik Poggi

好的，我觉得也许电影列表会很有限。无论如何，这里还有另一种可能性：为什么不使用某种机器学习算法呢？ - charlax

@RikPoggi 用一些局部敏感哈希算法来进行比较怎么样？ - ipavlic

Answer 3

正如您在评论中提到的，将“文件名处理”转换为“标准化的电影标题形式”的目的是为了比较两个列表。

使用您目前的方法可能会错过很多特殊情况。

首先，您需要仔细考虑接受哪些变化。您已经提到了“电影”和“the”的不同位置 - 那么拼写错误和大小写敏感呢？ 单词的顺序呢？

与其让您的代码越来越长，我建议您寻找一种通用解决方案。

我的脑海中浮现出一些想法 - 您可以选择其中喜欢的部分，按照自己的意愿混合一下，稍加调整就能得到完美的效果：

• LCS：最长公共子串问题，最长公共子序列问题 - 适用于：
  • 单词的顺序很重要。
  • 通用性强，只需将子串/子序列设置为输入的百分比（最大值、最小值、平均值或两个文件名的总和-由您选择）
• 匹配不是字符串，而是一组单词。由此，您可以抵抗单词顺序、重复等。由于您在Python中编写，因此很容易创建单词集合的集合或单词集合的映射。以下是一些提示：
  • 对于每部电影-而不是使用正则表达式整个字符串：(1)将电影文件名拆分为单词(2)消除："the"、"movie"等(3)剪切最重要的部分("walking"-"ing"->"walk"等)。(4)将剩下的单词放入集合中(5)生成的集合是表示电影的集合。
  • 对于每个列表：将所有电影文件名转换为集合(如上所述)，并将所有这些集合放入集合中(现在您有一组字符串的集合-是的)
  • 对于列表A和B：只需执行A ^ B或A - B，再次-您需要什么(请查看Python手册：集合。
• 如果以后需要将表示电影的集合还原为电影文件名。在创建列表A、B时，您需要创建映射MA、MB，将“单词集合”映射为“文件名”。
• 再次LCS，但现在想象一下您的字母表是单词。如果您不熟悉形式语言术语 - 想象一下您的电影名称是用特殊字母写成的，每个字母恰好是一个单词。由此，您就有了一系列单词，并且可以搜索单词子序列。现在应用LCS将为您提供电影标题中保留顺序的最长公共单词集。

- Grzegorz Wierzowiecki

---

我的目的是从文件名中提取（猜测）信息，我没有存储列表来与我的结果进行比较，我只是使用那些信息与第三方软件一起检索更多信息。话说回来，你的建议很有趣，特别是第二个建议，我从未想过这样的方法！不过，我必须诚实地说，这些看起来需要做太多工作，所以我现在不会实施任何一个建议，但是知道我的选择还是很好的 :) - Rik Poggi

也许你将来会从这些技巧中受益 :) - Grzegorz Wierzowiecki

我只是想表明解决这类问题有很多方法，所以如果你计划将来开发这样的软件，也许你会找到实现它的资源 :)。 - Grzegorz Wierzowiecki