正则表达式如何匹配数字换行至双换行\n\n之间的文本片段

之前尝试的正则写法存在两个明显问题：

• 定位起点错误：(?<=\d\n)锚定的是字幕序号后的换行位置，但序号和正文之间还夹着说话人标识、时间码行，这部分内容没有被跳过，自然匹配不到正文开头。
• 匹配规则限制：默认正则语法中.不会匹配换行符，写.*?时遇到单换行就会终止匹配，无法抓取内部自带换行的字幕内容。

开启跨行匹配模式（让.可以匹配换行符）后，使用如下正则即可：

(?:\d+\n.*?\n)(.*?)(?=\n\n|$)

• 规则说明：
  • (?:\d+\n.*?\n)：非捕获组，匹配并跳过字幕块开头的序号行、时间码行，定位到正文起始位置
  • (.*?)：非贪婪模式捕获正文内容
  • (?=\n\n|$)：正向断言，匹配到双换行（字幕块分隔符）或者字符串末尾时停止匹配，兼容最后一条字幕没有尾部双换行的场景

Python（re库） #

传入re.S（别名re.DOTALL）标记开启跨行匹配：

import re

raw_str = "1 Matt\n00:00:00,100 --> 00:00:01,500\nThis is said \nby Matt.\n\n2 Lucas\n00:00:01,700 --> 00:00:02,300\nWhile this is said by Lucas"
reg = r"(?:\d+\n.*?\n)(.*?)(?=\n\n|$)"
result = re.findall(reg, raw_str, re.S)
print(result)
# 输出结果: ['This is said \nby Matt.', 'While this is said by Lucas']

R（stringr库） #

在regex()中设置dotall = TRUE开启跨行匹配：

library(stringr)

raw_str <- "1 Matt\n00:00:00,100 --> 00:00:01,500\nThis is said \nby Matt.\n\n2 Lucas\n00:00:01,700 --> 00:00:02,300\nWhile this is said by Lucas"
reg <- "(?:\\d+\\n.*?\\n)(.*?)(?=\\n\\n|$)"
match_res <- str_match_all(raw_str, regex(reg, dotall = TRUE))[[1]][,2]
print(match_res)
# 输出结果: [1] "This is said \nby Matt."       "While this is said by Lucas"

内容的提问来源于stack exchange，提问作者aooo