用Python處理字幕文件

始

下了部老電影，找到了相關的中英文字幕，奇怪的是，英文字幕能正常現實，中文字幕卻不可以，我一度以為是Linux下播放器編碼的問題，但是怎么更改設置都無效，而我以前在看其他電影時，中文字幕是正常的。所以，懷疑是字幕文件的問題，打開中英文字幕文件對比：

• 英文

5
00:02:53,500 --> 00:02:54,700
Police. Hello?

6
00:03:03,800 --> 00:03:08,000
EVERYONE IS THE MOON

7
00:03:10,100 --> 00:03:13,700
I CAN'T HANG ON ANYMORE

• 中文

5

00:02:53,500 - - > 00:02:54,700

警察。喂?

6

00:03:03,800 - - > 00:03:08,000

每個人都是月亮

7

00:03:10,100 - - > 00:03:13,700

我不能堅持下去了

可以看出，中文字幕的格式有問題，所以我決定用Python的正則表達式修改一下。

代碼

import re

with open('./Minazuki 1999.srt', encoding='utf-8') as file:
    srt = file.read()

# 第一步多余換行
srt = srt.replace('\n\n', '\n')
# 需要在序號前面補上換行
srt = re.sub(r'\n(\d{1,3})\n', r'\n\n\1\n', srt)
# 修正其他字符錯誤
srt = srt.replace('- - ', '--')

with open('./Minazuki 1999_new.srt', 'w', encoding='utf-8') as file:
    file.write(srt)

• 輸出的字幕文件：

5
00:02:53,500 --> 00:02:54,700
警察。喂?

6
00:03:03,800 --> 00:03:08,000
每個人都是月亮

7
00:03:10,100 --> 00:03:13,700
我不能堅持下去了

已經可以正常顯示了。

學到的知識點記錄

參考了這篇博客, 正則表達式30分鍾入門教程。
可是使用()來對正則模式匹配的內容進行編號，在后續中用數字來\數字使用對應的內容，如

srt = re.sub(r'\n(\d{1,3})\n', r'\n\n\1\n', srt)

其中，(\d{1,3})表示的內容，在后面用\1來訪問，\0表示整個正則表達式。除了編號，也可以命名，例如(?<Numers>\d{1,3})，在后面可以用\k<Numbers>來訪問，不過該方法在我在Python中未成功使用，有待進一步調查。