如何按可变规则拆分字符串，提取SRT文件对话中的标签与文本

核心思路 #

通过正则表达式的分支匹配规则，优先捕获所有<xxx>格式的HTML标签，再捕获剩余的连续非标签内容（含文本、空格等），即可直接得到要求的拆分结果。

代码实现（Python示例） #

import re

def split_srt_content(input_str):
    # 正则规则：匹配HTML标签 或 连续的非标签内容
    split_pattern = r'<[^>]+>|[^<]+'
    return re.findall(split_pattern, input_str)

# 测试用例
test_str = '<b><font color="#ca6500">FEMALE VOICE:</font></b> <i>The world is changed.</i>'
print(split_srt_content(test_str))

输出结果 #

['<b>', '<font color="#ca6500">', 'FEMALE VOICE:', '</font>', '</b>', ' ', '<i>', 'The world is changed.', '</i>']

补充说明 #

• 该方案适配SRT文件中常见的简单富文本标签场景，无需引入第三方解析库，执行效率高
• 若存在标签属性内嵌>的极端非法格式，可更换为BeautifulSoup等HTML解析库遍历节点实现拆分

内容的提问来源于stack exchange，提问作者Jerardo