Python正则如何匹配括号前文本 按时间戳拆分对话块

原有规则问题 #

你之前写的正则\(\d*-\d*\)\s*\w*:\s*仅覆盖了「时间区间+说话人前缀」部分，没有定义后续对话内容的匹配规则，也没有设置“匹配到下一个时间区间即终止”的边界逻辑，因此无法捕获完整对话块。

可用正则规则 #

直接提取完整对话块 #

使用以下正则可以直接匹配得到每个以时间区间开头、截止到下一个时间区间前的独立对话块：

\(\d+-\d+\)[\s\S]*?(?=\(\d+-\d+\)|$)

规则各部分逻辑：

• \(\d+-\d+\)：锚定块开头的(数字-数字)格式时间区间，将原规则的*替换为+可避免匹配空括号的异常场景
• [\s\S]*?：非贪婪模式匹配任意字符（包含换行、特殊符号），对应时间前缀后的所有对话内容，非贪婪配置保证匹配不会跨块
• (?=\(\d+-\d+\)|$)：零宽正向断言，当匹配到下一个时间区间开头、或者文本末尾时立即终止当前块的匹配，不会吞掉下一个对话块的时间标记

拆分字段版正则 #

如果需要把每个对话块拆成「时间区间、说话人、对话内容」三个独立字段，可以使用带捕获组的版本：

(\(\d+-\d+\))\s*(\w+):\s*([\s\S]*?)(?=\(\d+-\d+\)|$)

三个捕获组依次对应：

1. 时间区间标记
2. 说话人标识（比如Agent、User）
3. 具体对话内容

使用注意事项 #

• 上述正则里的[\s\S]写法天然支持匹配换行符，不需要额外开启单行（dotAll）匹配模式，适配绝大多数编程语言的正则引擎
• 不要把非贪婪匹配符*?改成贪婪匹配*，否则会从第一个时间标记直接匹配到整个文本末尾，导致拆分失效
• 如果你的时间区间里包含小数、毫秒等非纯整数内容，把规则里的\d+替换成对应匹配规则即可，比如匹配带小数的时间可以改成[\d.]+

匹配效果示例 #

针对测试文本：

(1-4) Agent: 您好，请问有什么可以帮您？
(5-12) User: 我上周买的耳机现在连不上蓝牙了
(13-25) Agent: 您可以先长按电源键10秒重置后再尝试配对

匹配后会得到3个独立对话块，完全符合“块以时间区间括号开头，内容截止到下一个时间区间之前”的要求。

内容的提问来源于stack exchange，提问作者mmustafaicer