通過正則表達(dá)式提取泰坦尼克號字幕里的所有臺詞

軟件開發(fā)組 2020-07-01

展開全文

網(wǎng)上搜了一下看看有沒有泰坦尼克號完整臺詞，找了好久也沒找到合適的，要么不完整，要么收費，要么數(shù)據(jù)是錯亂的,預(yù)期的臺詞是一個有中英文對照版的，然后按照格式一行行的排列，比如一行英文，一行中文，外加一行對應(yīng)電影的時間

怎么辦呢，想到了電影里的字幕，字幕里有數(shù)據(jù)的，數(shù)據(jù)格式也是統(tǒng)一的，我們利用正則提取一下就好了，開干

首先下載字幕,我在網(wǎng)上下載了一個，點擊這個圖片下載字幕文件:(點擊這個圖片，下載后把后綴名改成ssa就可以了)

然后查找文件里的規(guī)律，如下:

對于英文和中文有兩種格式，對于英語來說，格式如下:

對于中文來說，格式如下:

思路

　　可以看到前面部分差不多的，后面的字幕之前有幾個字符不一樣，例如英文字幕是0000&}結(jié)尾的，而中文字幕是3000&}結(jié)尾的

　　我們可以用兩個正則分別提取英語和中文的字幕信息，保存到對應(yīng)的數(shù)組里，數(shù)組里的鍵名為字幕的時間，是個字符串格式，值可以是個數(shù)組，分別是對應(yīng)的php教程字幕

完整代碼如下:

<?php$str = file_get_contents('./zimu.ssa');                        //load ssa filefunction getResult($preg){                                    //get Subtitle interface
    global $str;     
    $result = array();    if(preg_match_all($preg,$str,$match,PREG_OFFSET_CAPTURE)){        foreach($match[1] as $key => $val){            $result[trim($val[0],',')]=$match[2][$key][0];
        }
    }    return $result;}
$result_en = getResult('/Marked=([^D]*).*?0000&}(.*)/');    //獲取英文字幕
$result_cn = getResult('/Marked=([^D]*).*?3000&}(.*)/');    //獲取中文字幕
$result = array();$result_en = array_filter($result_en,function($val,$key) use(&$result,&$result_cn){    //將字幕合并到$result數(shù)組里
if(isset($result_cn[$key])){    
        $result[$key] = array($val,$result_cn[$key]);        unset($result_cn[$key]);
    }else
        return true;        
},ARRAY_FILTER_USE_BOTH );function out($arr,$isarr=1){                                //out inteface
    foreach($arr as $key => $val){        if($isarr)            echo $key."<br/>".$val[0]."<br/>".$val[1]."<br/><br/>";        else
            echo $key."<br/>".$val."<br/><br/>";
    }
}
out($result);                    //輸出中文和英文有對應(yīng)的字幕out($result_en,0);                //輸出只有英文的字幕out($result_cn,0);                //輸出只有中文的字幕?>