如何使用正则表达式提取电影剧本中的发言者姓名及对应台词

可用正则及实现代码 #

import re

# 核心匹配正则
pattern = r'^([A-Z][A-Z\s]+)$\s*?(.*?)\s*?(?=^[A-Z][A-Z\s]+$|\Z)'

# 读取本地剧本文件
with open('script.txt', 'r', encoding='utf-8') as f:
    content = f.read()

# 匹配所有发言块，必须指定两个标志位
matches = re.findall(pattern, content, flags=re.MULTILINE | re.DOTALL)

# 清洗台词、过滤动作描述、格式化空格
result = []
for speaker, raw_line in matches:
    # 过滤独立动作行：行首大写且第二个字符为小写字母的行
    lines = raw_line.split('\n')
    valid_lines = []
    for l in lines:
        l_stripped = l.strip()
        if not l_stripped:
            continue
        # 排除动作行，单个大写字母开头的台词行不会被误删
        if len(l_stripped) < 2 or not (l_stripped[0].isupper() and l_stripped[1].islower()):
            valid_lines.append(l_stripped)
    # 合并多行台词为单行
    cleaned_line = ' '.join(valid_lines)
    if cleaned_line:
        result.append({'speaker_name': speaker.strip(), 'line_spoken': cleaned_line})

正则逻辑说明 #

• re.MULTILINE 标志：让^和$匹配每一行的开头和结尾，而非整个文本的首尾，适配剧本里发言者姓名单独占一行的格式
• re.DOTALL 标志：让通配符.可以匹配换行符，适配超过2行的长台词场景，不需要硬编码台词行数
• 分组1 ^([A-Z][A-Z\s]+)$：匹配整行仅包含大写字母和空格的内容，也就是标准剧本格式的发言者姓名，同时支持带空格的复合姓名（如SOCIAL WORKER）
• \s*?：非贪婪匹配姓名行后的所有空白字符（包括换行、空行），跳过姓名和台词之间的空行
• 分组2 (.*?)：非贪婪匹配所有内容，直到触发终止条件
• 正向先行断言 (?=^[A-Z][A-Z\s]+$|\Z)：设置匹配终止规则，要么遇到下一个发言者姓名行，要么到整个文本的末尾，自动识别台词结束位置

额外清洗逻辑说明 #

匹配得到的原始台词内容可能夹杂独立的动作描述行，这类行的通用特征是行首第一个字符大写、第二个字符为小写字母，和全大写的姓名行、首字母为单个大写字母开头的台词行（如I ...）可以有效区分。如果存在台词行首为短词（如No、Yes）导致误过滤的情况，可调整判断逻辑，比如增加行长度阈值、补充短词白名单即可。

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