php - 正则表达式匹配字幕中的 SRT 和 VTT 语法

Question

我有 srt 和 vtt 格式的字幕，我需要匹配和删除格式特定的语法，并且只用文本获得干净的行。

我想出了这个正则表达式： /\n?\d*?\n?^.* --> [012345]{2}:.*$/m

样本内容（混合 srt 和 vtt）：

1
00:00:04,019 --> 00:00:07,299
line1
line2

2
00:00:07,414 --> 00:00:09,155
line1

00:00:09,276 --> 00:00:11,429
line1

00:00:11,549 --> 00:00:14,874
line1
line2

这与https://regex101.com/r/zRsRMR/2/中模拟的预期匹配的字幕编号和时间

但是当在代码本身中使用时（甚至直接使用从https://regex101.com生成的代码片段），它只会匹配时间，而不是字幕编号。

见输出：

array (5)
0 => array (1)
0 => "00:00:04,019 --> 00:00:07,299
" (30)
1 => array (1)
0 => "
00:00:07,414 --> 00:00:09,155
" (31)
2 => array (1)
0 => "
00:00:09,276 --> 00:00:11,429
" (31)
3 => array (1)
0 => "
00:00:11,549 --> 00:00:14,874
" (31)
4 => array (1)
0 => "
00:00:11,549 --> 00:00:14,874
" (31)

可以测试：http ://sandbox.onlinephpfunctions.com/code/dec294251b879144f40a6d1bdd516d2050321242

目标是匹配字幕编号，例如第一个预期匹配应该是：

1
00:00:04,019 --> 00:00:07,299

标签： phpregexregex-groupsrtvtt

Answer 1

我不太确定，如果这可能是你想要捕捉的。但是，原因是您可能希望使用捕获组来包装字符串，以便于获取。例如，此表达式示例捕获组如何围绕您想要的字符工作：

^([0-9]+\n|)([0-9:,->\s]+)

这可能不是这样做的方式，也可能不是最好的表达方式。但是，它可能会给您一个以不同方式解决问题的想法。

我猜你可能想要捕获日期时间线和之前的线，它们可能有也可能没有数字。

图形

此图显示了表达式的工作原理，您可以在此链接中可视化其他表达式：

在将数据发送到 RegEx 引擎之前，您可能需要编写一个脚本来清理数据，这样您就有一个简单的表达式。

使用 JavaScript 进行示例测试

const regex = /^([0-9]+\n|)([0-9:,->\s]+)/mg;
const str = `1
00:00:04,019 --> 00:00:07,299
line1
line2

2
00:00:07,414 --> 00:00:09,155
line1

00:00:09,276 --> 00:00:11,429
line1

00:00:11,549 --> 00:00:14,874
line1
line2
`;
let m;

while ((m = regex.exec(str)) !== null) {
    // This is necessary to avoid infinite loops with zero-width matches
    if (m.index === regex.lastIndex) {
        regex.lastIndex++;
    }
    
    // The result can be accessed through the `m`-variable.
    m.forEach((match, groupIndex) => {
        console.log(`Found match, group ${groupIndex}: ${match}`);
    });
}

PHP 测试

这可能不会产生您想要的输出，这只是一个示例：

$re = '/^([0-9]+\n|)([0-9:,->\s]+)/m';
$str = '1
00:00:04,019 --> 00:00:07,299
line1
line2

2
00:00:07,414 --> 00:00:09,155
line1

00:00:09,276 --> 00:00:11,429
line1

00:00:11,549 --> 00:00:14,874
line1
line2
';

preg_match_all($re, $str, $matches, PREG_SET_ORDER, 0);

foreach ($matches[0] as $key => $value) {
    if ($value == "") {
        unset($matches[0][$key]);
    } else {
        $matches[0][$key] = trim($value);
    }

}

var_dump($matches[0]);

性能测试

这个 JavaScript 片段使用简单的 100 万次for循环显示了该表达式的性能。

repeat = 1000000;
start = Date.now();

for (var i = repeat; i >= 0; i--) {
	var string = '2  \n00:00:07,414 --> 00:00:09,155';
	var regex = /(.*)([0-9:,->\s]+)/gm;
	var match = string.replace(regex, "$2");
}

end = Date.now() - start;
console.log("YAAAY! \"" + match + "\" is a match  ");
console.log(end / 1000 + " is the runtime of " + repeat + " times benchmark test.  ");

如果您希望在一个变量中捕获所有所需的输出，您可以简单地在整个表达式周围添加一个捕获组，然后使用$1.

如果需要，您还可以添加或减少边界，例如这个。

^(?:[0-9]+\n|\n)(([0-9:,]+)([\s->]+)([0-9:,]+))$

使用 JavaScript 测试第二个表达式的示例

const regex = /^(?:[0-9]+\n|\n)(([0-9:,]+)([\s->]+)([0-9:,]+))$/gm;
const str = `1
00:00:04,019 --> 00:00:07,299
- cdcdc
- cddcd

2
00:00:07,414 --> 00:00:09,155
54564

00:00:09,276 --> 00:00:11,429
- 445454 - ccd
- cdscdcdcd

00:00:11,549 --> 00:00:14,874
line1
line2
`;
let m;

while ((m = regex.exec(str)) !== null) {
    // This is necessary to avoid infinite loops with zero-width matches
    if (m.index === regex.lastIndex) {
        regex.lastIndex++;
    }
    
    // The result can be accessed through the `m`-variable.
    m.forEach((match, groupIndex) => {
        console.log(`Found match, group ${groupIndex}: ${match}`);
    });
}