如何用正则表达式提取LibriSpeech语料中的说话人信息

看起来你已经尝试用命名捕获组来提取这些字段了，但大概率是遇到了竖线两侧空白字符干扰的问题——比如原正则里的.*会把|前后的空格也包含到字段值里，导致提取出的speaker_id是"58 "而不是干净的"58"，性别可能是" M "之类的。

我给你调整一个精准的正则表达式，专门适配这种带分隔空格的格式：

import re

pattern = r'(?P<speaker_id>\d+)\s*\|\s*(?P<sex>[MF])\s*\|\s*(?P<subset>\S+)\s*\|\s*(?P<minutes>\d+\.\d+)\s*\|\s*(?P<speaker_name>.+)'

正则各部分解释： #

• (?P<speaker_id>\d+): 匹配纯数字的说话人ID，避免捕获多余空格
• \s*\|\s*: 匹配竖线及其前后任意数量的空白字符（空格、制表符都能处理）
• (?P<sex>[MF]): 只匹配M/F单个字母，精准对应性别字段
• (?P<subset>\S+): 匹配不含空格的语料子集名称（LibriSpeech的子集名都是无空格的）
• (?P<minutes>\d+\.\d+): 匹配带小数点的时长数字，确保只捕获有效时长值
• (?P<speaker_name>.+): 匹配剩余的所有内容作为姓名，支持姓名里带空格（比如示例里的George Coutts）

测试示例代码： #

line = "58 | M | train-other-500 | 30.06 | George Coutts"
match = re.fullmatch(pattern, line)
if match:
    speaker_info = match.groupdict()
    print(speaker_info)

运行后输出的干净结果：

{
    'speaker_id': '58',
    'sex': 'M',
    'subset': 'train-other-500',
    'minutes': '30.06',
    'speaker_name': 'George Coutts'
}

额外优化建议： #

如果需要把minutes转换成浮点数，可以直接在提取后处理：

speaker_info['minutes'] = float(speaker_info['minutes'])

如果遇到某些行可能有格式轻微变动（比如姓名末尾有空格），可以把最后一部分改成(?P<speaker_name>.+?)\s*$，用非贪婪匹配加上末尾的空白处理，确保姓名干净。

内容的提问来源于stack exchange，提问作者tiefenauer