Analizzare il file dei sottotitoli utilizzando regex C #

Question

Ho bisogno di trovare il numero, dentro e fuori i punti timecode e tutte le linee del testo.

9
00:09:48,347 --> 00:09:52,818
- Let's see... what else she's got?
- Yea... ha, ha.

10
00:09:56,108 --> 00:09:58,788
What you got down there, missy?

11
00:09:58,830 --> 00:10:00,811
I wouldn't do that!

12
00:10:03,566 --> 00:10:07,047
-Shit, that's not enough!
-Pull her back!

Attualmente sto usando questo schema, ma dimentica tutto il testo due linee

(?<Order>\d+)\r\n(?<StartTime>(\d\d:){2}\d\d,\d{3}) --> (?<EndTime>(\d\d:){2}\d\d,\d{3})\r\n(?<Sub>.+)(?=\r\n\r\n\d+|$)

Qualsiasi aiuto sarebbe molto apprezzato.

Answer 1

Credo che ci sono due problemi con l'espressione regolare. La prima è che il . verso la fine di (?<Sub>.+) non corrisponde a capo. Così si potrebbe modificarlo per:

(?<Sub>(.|[\r\n])+?)

In alternativa, è possibile specificare RegexOptions.Singleline come opzione per l'espressione regolare. L'unica cosa che l'opzione non è rendere le nuove righe di punti partita.

Il secondo problema è che .+ corrisponde il maggior numero di linee come si può. Si può rendere non avido come:

(?<Sub>(.|[\r\n])+?(?=\r\n\r\n|$))

Questo corrisponde la minima quantità di testo che termina con una riga vuota o la fine della stringa.

Answer 2

Se fossi in te, mi piacerebbe un passo indietro da un'implementazione regex-based e guardo una macchina a stati, passeggiando per il file riga per riga. Il formato sembra essere abbastanza semplice da gestire con forse 20-40 righe di codice facile da capire, ma troppo complesso per una regex ragionevole.

Answer 3

Io personalmente dividere le linee in un array e scorrere l'array esame ogni riga, solo facendo un match regex per le StartTime-> linee EndTime, quindi è possibile utilizzare alcuni abbastanza semplice logica per afferrare Order dalla riga precedente, e afferrare il testo dalle linee seguenti (cercando avanti per trovare il prossimo StartTime-> Endtime e backtracking due linee).

Credo che in questo modo braciole il problema un po 'in modo che non si dispone di un'espressione regex cercando di fare tutto.

Answer 4

Sto usando seguente espressione regolare per analizzare i file .srt:

@"(?<number>\d+)\r\n(?<start>\S+)\s-->\s(?<end>\S+)\r\n(?<text>(.|[\r\n])+?)\r\n\r\n"

Regular Expression Language - Quick Reference

Answer 5

Ho usato questa espressione regolare nel mio parser Rubino:

slines.scan(/(^[0-9]+)\r?\n(.*? --> .*?)\r?\n(.*?)(?=^[0-9]+\r?\n|\s+\Z)/im).map{|z| [z[0],[z[1],z[2].strip]]}

dove "slines" è l'intero file dei sottotitoli leggere nella memoria.