使用正则表达式从WebVTT中提取信息

Question

我正在尝试构建一个在.Net环境中使用的正则表达式，以从webvtt文件中提取信息。 我想提取时间码信息和下一行（可能是字幕或其他内容）对应的信息。但我遇到的问题是，下一行的信息有时只有一行，有时却跨越多行。

00:00:02.736 --> 00:00:06.072 line:79.33% position:10.00% align:start 
   AND YOUR GRACE?

00:00:06.072 --> 00:00:08.875 line:74.00% position:10.00% align:start 
  WHAT WILL YOU DO
     ABOUT THAT?

我需要确保获取所有内容，而不会无意中进入下一个组的开头。

我尝试过这个：

\n(\d{2}:\d{2}:\d{2}.\d{3})(.|\n)*(?<!\d{2}:\d{2}:\d{2}.\d{3})

这个想法是获取第一个 timecode 及其后的所有内容，但在下一个第一个 timecode 出现时停止，但它捕获整个文件。

我也尝试过：

(?<!WEBVTT)(\d{2}:\d{2}:\d{2}.\d{3}).*?(\d{2}:\d{2}:\d{2}.\d{3}).*\n([^\n]+\n)*[^\n]+

我意识到在开头使用负向先行断言是多余的。这里我试图将时间码放入单独的组中，忽略该行的其余部分，然后捕获从新行开始的所有内容，但这会跳过字幕文本并且不能涵盖多个行。

我似乎遇到的问题是要么捕获太多行，要么不够。

有没有办法告诉正则表达式匹配某些内容（例如第一个时间码）和其后的所有内容，然后在命中第一次匹配时重新开始？

我相信这一定是可能的，但我是使用正则表达式的新手，所以我觉得很难。如果必须分解为多个操作才能获得所需的结果，我也不介意。

所以我想要的是：

第一组可以是：

00:00:02.736

或者

00:00:02.736 --> 00:00:06.072

第二个（或第三个，根据上面所述）：

AND YOUR GRACE?

然后：

00:00:06.072 --> 00:00:08.875

接着是：

WHAT WILL YOU DO
 ABOUT THAT?

etc

- Tim Campbell

---

如果你在使用C#编码，那么尝试使用双行分割var res = str.Split(new[] {"\r\n\r\n"}, StringSplitOptions.RemoveEmptyEntries)如何？如果你无法访问代码，则尝试使用(?sm)^(\d{2}:\d{2}:\d{2}\.\d+) +--> +(\d{2}:\d{2}:\d{2}\.\d+)((?:(?!\r?\n\r?\n).)*)。 - Wiktor Stribiżew

谢谢。这接近我想要实现的目标。然而，它捕获了带有时间码的其余部分，例如“line:79.33％ position:10.00％ align:start”，是否有一种方法可以忽略第二个时间码后面的整行，并从新行再次捕获？ - Tim Campbell

抱歉，我试图尝试不同的方法。我已经回复并更新了我的原始问题。 - Tim Campbell

像这个这样的吗？ - Wiktor Stribiżew

是的，我认为这就可以了。非常感谢。 - Tim Campbell

Answer 1

看起来你可能会使用

(?m)^(\d{2}:\d{2}:\d{2}\.\d+) +--> +(\d{2}:\d{2}:\d{2}\.\d+).*[\r\n]+\s*(?s)((?:(?!\r?\n\r?\n).)*)

请查看正则表达式演示。 详情

• (?m) - 打开MULTILINE模式
• ^ - 由于(?m)，表示一行的开头
• (\d{2}:\d{2}:\d{2}\.\d+) - 第1组：时间戳格式
• +--> + - 1个或多个空格，后跟-->，再后跟1个或多个空格
• (\d{2}:\d{2}:\d{2}\.\d+) - 第2组：时间戳格式
• .*[\r\n]+\s* - 表示剩余部分（.*），后跟1个或多个换行符（[\r\n]+），最后有0个或多个空白字符（\s*）
• (?s) - 从现在开始启用DOTALL模式（.匹配换行符）
• ((?:(?!\r?\n\r?\n).)*) - 第3组：任何不以双换行符起始的字符，重复0次或多次。

- Wiktor Stribiżew