Ruby如何将无换行通话转录字符串解析为指定结构的哈希数组

核心思路 #

利用正则的捕获分组和正向预查特性，直接匹配每一组「发言者+发言内容」的组合，不需要手动拆分后再两两组合，逻辑更直观，兼容性也更好。

优化后实现代码（Ruby） #

def parse_transcript(raw_transcript)
  # 正则匹配每一组发言者和对应内容
  raw_transcript.scan(/([A-Z][\w\s]*):\s*(.*?)(?=\s*[A-Z][\w\s]*:|$)/).map do |speaker, content|
    { speaker: speaker.strip, content: content.strip }
  end
end

正则规则说明 #

• 第一个捕获组([A-Z][\w\s]*)：匹配发言者名称，默认大写字母开头，支持带空格的多字名称，适配中文名拼音、带中间名的英文名等场景
• :\s*：匹配发言者名称后的冒号以及冒号后的空白字符
• 第二个捕获组(.*?)：非贪婪匹配发言内容，避免把下一位发言者的名称包含进来
• 正向预查(?=\s*[A-Z][\w\s]*:|$)：设定内容匹配的终止边界，匹配到下一位发言者的开头（大写开头+冒号）或者整个字符串末尾就停止当前内容的匹配

测试效果 #

输入示例字符串：

"Operator: Hi, please welcome Bob Smith to the call. Bob Smith: Hello there, thank you for inviting me...Now I will turn the call over to Stacy. Stacy White: Thanks Bob. As he was saying...."

调用方法后返回结果：

[
  {:speaker=>"Operator", :content=>"Hi, please welcome Bob Smith to the call."},
  {:speaker=>"Bob Smith", :content=>"Hello there, thank you for inviting me...Now I will turn the call over to Stacy."},
  {:speaker=>"Stacy White", :content=>"Thanks Bob. As he was saying...."}
]

原实现可优化点 #

你分享的基于split的实现逻辑是可行的，但是原正则\W*([A-Z]\w*\W*\w+):\W*仅支持最多2个单词的发言者名称，遇到3字及以上的名称（比如Mary Ann Jones）、带特殊字符的名称（比如Anne-Marie O'Conner）会匹配失败，使用scan+正向预查的方案可以覆盖更多场景。

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