如何用Regex处理双语字幕：移除英文文本保留中文内容
2026-5-15
我明白你在调试正则处理双语字幕时的头疼——格式不一的行、混在中文里的英文和HTML标签确实容易卡壳。结合你提到的\p{Han}（注意是\p{Han}而不是{Han}哦）匹配中文的思路，我给你一套分步解决的方案，既能适配大多数格式，又能高效剔除不需要的内容：
第一步：先清理HTML标签（比如）
不管内容混得有多乱，先把所有HTML标签一次性清掉，避免干扰后续匹配。用这个全局替换：
- 查找：
<[^>]+> - 替换为空字符串
第二步：保留时间轴，提取中文内容
接下来分两种常见场景处理，覆盖绝大多数双语字幕格式：
场景1：时间轴后同一行混着英文和中文
比如：
00:00:01,000 --> 00:00:04,000 Hello 你好呀
用正则匹配时间轴，同时精准提取后面的中文部分：
- 查找：
(\d{2}:\d{2}:\d{2}[.,]\d{3} --> \d{2}:\d{2}:\d{2}[.,]\d{3})\s*(?:[^\u4e00-\u9fa5\u3000-\u303f\uff00-\uffef]+)([\u4e00-\u9fa5\u3000-\u303f\uff00-\uffef]+) - 替换：
$1\n$2
（解释：$1完整保留时间轴，$2提取中文汉字+中文标点，中间的英文、空格等非中文内容全部剔除）
场景2：时间轴后英文一行、中文一行
比如：
00:00:01,000 --> 00:00:04,000
Hello world
你好，世界
用这个正则匹配并保留时间轴+中文行：
- 查找：
(\d{2}:\d{2}:\d{2}[.,]\d{3} --> \d{2}:\d{2}:\d{2}[.,]\d{3})\n.*?\n([\u4e00-\u9fa5\u3000-\u303f\uff00-\uffef]+) - 替换：
$1\n$2
（解释：.*?是非贪婪匹配，避免跨字幕条目抓取内容）
第三步：处理边缘情况
如果有的行只有英文没有中文，或者格式特别混乱，可以再加一个全局替换删除无中文的冗余行：
- 查找：
^(?!\d{2}:\d{2}:\d{2}|$)[^\u4e00-\u9fa5]+$ - 替换为空字符串
（解释：匹配既不是时间轴也不是空行，且完全没有中文的行，直接删除）
额外提示
- 正则里的
\u4e00-\u9fa5是中文汉字范围，\u3000-\u303f和\uff00-\uffef覆盖了全角中文标点、符号，确保中文内容完整保留； - 如果你的正则引擎支持Unicode属性，用
\p{Han}代替\u4e00-\u9fa5更简洁，比如(\p{Han}+)； - 针对ASS等特殊格式的字幕，时间轴的正则可能需要微调，但核心逻辑不变——先锁定时间轴格式，再精准提取中文。
内容的提问来源于stack exchange，提问作者Hasen
相关产品推荐
相关产品推荐
