如何从 unicode 字幕中提取文本？

Question

我有一个格式如下的 unicode 字幕文件：300:01:40,200 --> 00:01:43,326english part400:01:43,534 --> 00:01:44,851خط فارسی500:01:45,063 --> 00:01:48,485complex part مخلوط600:01:45,063 --> 00:01:48,485complex part مخلوطin 2 lines如何提取数字作为键和文本作为值[   [3] => english part   [4] => خط فارسی   [5] => complex part مخلوط   [6] => complex part مخلوط</br>in 2 lines]

Answer 1

不要将找到的数字用作索引。更好地使用正在进行的索引和键/值对。

也就是说，您可以选择（启用multiline和verbose，m和x）：

^(\d+)\R

[->\d: ,]+\R

((?:.+\R?)+)

在 regex101.com 上查看演示。

在PHP这可能是

<?php

$text = <<<END

3

00:01:40,200 --> 00:01:43,326

english part

4

00:01:43,534 --> 00:01:44,851

خط فارسی

5

00:01:45,063 --> 00:01:48,485

complex part مخلوط

6

00:01:45,063 --> 00:01:48,485

complex part مخلوط

in 2 lines

END;

$regex = <<<END

~

    ^(?P<line>\d+)\R

    [->\d: ,]+\R

    (?P<content>(?:.+\R?)+)

~mx

END;

preg_match_all($regex, $text, $matches);

print_r($matches);

?>

在 ideone.com 上查看另一个演示。