如何在Python中编写re.findall正则提取YouTube时间戳对应描述

现有代码问题 #

• 正则仅支持MM:SS格式时间戳，未覆盖长视频常见的HH:MM:SS格式
• 分开匹配两种时间戳位置的逻辑会产生重复数据，无法统一去重
• 未按行匹配，可能抓取到跨行的无效内容
• 导入pandas读取csv后未使用对应变量，属于冗余代码

优化后实现 #

直接替换你的get_links函数即可适配所有时间戳位置的场景：

def get_links(description):
    # 适配HH:MM:SS、MM:SS两种时间戳格式，不管时间戳在行首还是行尾都能匹配
    timestamp_pattern = re.compile(r'^.*?(?:\d{1,2}:)?\d{1,2}:\d{1,2}.*?$', re.MULTILINE)
    # 匹配所有含时间戳的行，去除每行首尾空白后返回
    timestamp_lines = [line.strip() for line in timestamp_pattern.findall(description) if line.strip()]
    
    # 输出结果，也可以根据需求返回该列表
    for line in timestamp_lines:
        print(line)
    print()

可选扩展：拆分时间戳和对应文本 #

如果需要把时间戳和描述文本单独拆分存储，可以用下面的逻辑：

def get_links(description):
    timestamp_lines = []
    # 匹配行内任意位置的时间戳，同时捕获时间戳和前后文本
    split_pattern = re.compile(r'(.*?)(\d{1,2}:\d{2}(?::\d{2})?)(.*)', re.MULTILINE)
    for match in split_pattern.finditer(description):
        pre_text, timestamp, post_text = match.groups()
        # 合并文本，去除多余空白
        full_text = f"{pre_text.strip()} {post_text.strip()}".strip()
        timestamp_lines.append({
            "timestamp": timestamp,
            "content": full_text
        })
    
    # 打印结果示例
    for item in timestamp_lines:
        print(f"时间戳：{item['timestamp']}，描述：{item['content']}")
    print()

内容的提问来源于stack exchange，提问作者MarkWP