基于Python 3.6.3优化剧本对话嵌套字典生成方案的技术问询

Hey there! 很高兴你已经成功实现了把剧本转换成「角色-嵌套台词字典」的功能👏。不过从单个单词列表迭代拼接的方式确实不够高效，尤其是处理篇幅较长的影视/戏剧剧本时，不仅代码逻辑绕，还容易在标点、换行处理上出问题。咱们来聊聊几个更直接高效的实现思路，重点优化初始文本拆分环节：

思路1：按行遍历，基于剧本格式规则识别角色与台词 #

绝大多数标准剧本的格式都有规律：角色名通常以全大写呈现（或居中显示），紧随其后的就是该角色的台词（可能跨多行）。我们可以直接按行拆分文本，然后通过遍历标记当前角色，同步收集台词：

def parse_script_by_lines(script_text):
    script_dict = {}
    # 先把文本按行拆分，过滤掉空行并去除每行首尾空格
    cleaned_lines = [line.strip() for line in script_text.split('\n') if line.strip()]
    
    current_character = None
    current_line_number = 1  # 对应你需求里的Line#

    for line in cleaned_lines:
        # 判断当前行是否是角色名：这里假设角色名是全大写且单词数较少（避免误判全大写的场景描述）
        if line.isupper() and len(line.split()) <= 3:
            current_character = line
            # 如果是新角色，初始化其台词字典
            if current_character not in script_dict:
                script_dict[current_character] = {}
        elif current_character is not None:
            # 如果当前行是台词，就添加到当前角色的字典中
            script_dict[current_character][current_line_number] = line
            current_line_number += 1
    
    return script_dict

优势： #

• 完全避免了拆分单个单词再拼接的冗余操作，直接按语义单元（行）处理，效率提升明显
• 逻辑直观，代码容易维护，还能自然处理跨多行的台词（只要后续行不是新角色名，就会归为当前角色的台词）
• 可以根据你的剧本格式灵活调整角色名判断规则（比如角色名带括号(旁白)，或者有缩进差异）

思路2：用正则表达式匹配完整对话块 #

如果你的剧本格式更灵活（比如角色名格式不固定、台词有特殊排版），可以用正则一次性匹配「角色名+对应台词块」的组合，省去逐行判断的麻烦：

import re

def parse_script_by_regex(script_text):
    script_dict = {}
    line_number = 1

    # 正则规则：匹配以大写角色名开头，后续跟着所有非角色行的内容（直到下一个角色名或文本结束）
    # 可根据实际剧本格式调整正则（比如角色名允许小写前缀、带特殊符号等）
    dialogue_pattern = re.compile(
        r'^([A-Z\s()]+)\n((?:.+\n?)+)(?=^[A-Z\s()]+\n|\Z)',
        re.MULTILINE | re.DOTALL
    )

    # 遍历所有匹配到的对话块
    for match in dialogue_pattern.finditer(script_text):
        character = match.group(1).strip()
        # 把台词块拆成单独的行，过滤空行
        dialogue_lines = [line.strip() for line in match.group(2).split('\n') if line.strip()]
        
        # 初始化角色字典（如果不存在）
        if character not in script_dict:
            script_dict[character] = {}
        
        # 把每行台词按行号存入字典
        for line in dialogue_lines:
            script_dict[character][line_number] = line
            line_number += 1
    
    return script_dict

优势： #

• 适合处理格式不太规整的剧本，一次性捕获完整对话单元
• 减少了循环内的条件判断，处理大文本时性能更稳定

为什么比「拆单词再拼接」更高效？ #

你原来的方法需要先把文本拆成单个单词，再迭代拼接成完整台词，存在两个核心问题：

1. 冗余操作：拆分单词是无意义的——台词本身就是连续的语义单元，拆成单词再拼接只会增加计算量
2. 性能损耗：字符串拼接（尤其是用+操作符）会频繁创建临时字符串对象，处理大剧本时内存和CPU开销都会显著增加

而上面两种方法都是直接基于「行/对话块」这类语义单元处理，从根源上避免了冗余操作，代码逻辑也更贴合剧本的自然结构。

内容的提问来源于stack exchange，提问作者AyO