Python 使用正则表达式解析 .srt 文件 - 全部删除,仅保留文本 - Python

当你需要解析 .srt 字幕文件时，可以使用 Python 中的正则表达式来轻松地将其转换为可读的文本。本文将介绍如何使用 Python 中的 re 模块和一些正则表达式来解析 .srt 文件，仅保留文本。

了解 .srt 文件

.srt 是一种常见的字幕格式，其文件内容通常包含时间戳和字幕文本。一个标准的 .srt 文件看起来像这样：

1
00:00:01,000 --> 00:00:04,000
This is the first subtitle.

2
00:00:04,500 --> 00:00:07,500
This is the second subtitle.

其中，数字表示当前字幕的序号，时间戳（格式为 hh:mm:ss,mmm --> hh:mm:ss,mmm）标识了字幕开始和结束的时间，中间的文本就是字幕内容。在我们的例子中，第一条字幕开始于 0 秒并维持了 3 秒，第二条字幕开始于第 4 秒并维持了 3 秒。

删除时间戳

我们首先需要将时间戳从字幕文件中删除，只保留文本。可以使用正则表达式来识别和替换时间戳和空行。

import re

def clean_srt(srt_text):
    # 删除时间戳
    pattern = r'\d{2}:\d{2}:\d{2},\d{3} --> \d{2}:\d{2}:\d{2},\d{3}\s*'
    srt_text = re.sub(pattern, '', srt_text)

    # 删除空行
    srt_text = srt_text.strip()

    return srt_text

上面的代码中，我们定义了一个名为 clean_srt 的函数，接受一个 .srt 文件的字符串文本作为参数。我们的正则表达式通过匹配这两个时间戳格式来识别时间戳和空行，然后将其删除。最后，我们返回处理后的字符串文本。

使用示例

我们可以使用常规的 Python 文件 I/O 操作加载一个 .srt 文件。假设我们有一个名为 example.srt 的文件，我们可以使用以下代码加载并处理它：

with open('example.srt', 'r') as file:
    srt_text = file.read()

cleaned_srt_text = clean_srt(srt_text)

print(cleaned_srt_text)

在这个例子中，我们首先使用 with 语句来打开文件并读取其内容。然后，我们调用 clean_srt 函数来处理文件内容，将删除时间戳和空行后的字符串文本存储在 cleaned_srt_text 变量中。最后，我们简单地打印了处理后的文本。

总结

在本文中，我们介绍了如何使用 Python 中的正则表达式来解析 .srt 文件，删除时间戳和空行并仅保留文本。这对于字幕文件的处理非常有用，能够将其转换为可读的文本格式。