Как отбросить часть строки?

Question

[stayHARD]

Доброй ночи.
Есть вот такие данные:

00:00:05,233 --> 00:00:08,133
GAT[xd]fES: Amelia Earhart
is on one of the final legs

Или вот такого вида:

00:00:05,233 --> 00:00:08,133
[xd]fES: Amelia Earhart
is on one of the final legs

Из них нужно получить: 00:00:05,233 --> 00:00:08,133 xd
Сейчас делаю вот так:

(\d+:\d+:\d+,\d+ --> \d+:\d+:\d+,\d+)\s+(.*?)+\[(.+)\]|(\d+:\d+:\d+,\d+ --> \d+:\d+:\d+,\d+)\s\[(.+)\]

Но не знаю как в случае с GAT[xd]fES: Amelia Earhart я могу откинуть символы что идут перед "[".
Прошу поправить меня и объяснить что не так.
Заранее спасибо.

Comments

[Александр Ручкин]

Если данные именно такие, то почему бы просто не сплитнуть по переносу строки, взять первую строку и регексом вытащить то, что внутри скобок из второй?

[stayHARD]

Александр Ручкин: данных много. Очень. Регуляркой будет удобнее я считаю.

Answer 1

[DevMan]

import re
p = re.compile(r"([\d\W]+)\n.*\[(.*)\].*\n.*", re.MULTILINE | re.UNICODE)
test_str = u"""00:00:05,233 --> 00:00:08,133
GAT[xd]fES: Amelia Earhart
is on one of the final legs

00:00:05,333 --> 00:00:08,433
[xd]fES: Amelia Earhart
is on one of the final legs
"""

subst = r"\1 \2"
result = re.sub(p, subst, test_str)
print result

ideone.com/K0zp7X

Comments

[stayHARD]

Либо я чего-то не понимаю, либо оно возьмет абсолютно все записи?
Если, что то я считываю это все с файла. Пример - pastebin.com/xF9mU6Zk
Нужны только записи в которых после времени есть какой-то текст в []

[DevMan]

stayHARD: ответ давался исходя из вопроса, в котором нет ни слова о "Нужны только записи в которых после времени есть какой-то текст в []".

[stayHARD]

DevMan: Извините, думал что корректно все объяснил. Моя вина..

[DevMan]

stayHARD: да не проблема. надо помозговать, я к сожалению не очень силен в питоновских регэкспах.

[stayHARD]

DevMan:
У меня логика вот такая была:
Ищем время, у него всегда одинаковый формат. Если после времени идет только [A-Za-z _-,:], то пропустить это время и запись, если идет "текст в []" или "текст, а за ним текст в []", тогда считываем и сохраняем это все.

[DevMan]

stayHARD: с вашего пастебина
12
00:00:36,033 --> 00:00:37,533
Earthquake. Whoa.
[Children screaming]
тоже должен попадать?

[stayHARD]

DevMan: Да. Если в тексте есть "текст в []", то он подходит.

[DevMan]

stayHARD: как-то так ideone.com/LURq5x

[stayHARD]

DevMan: отлично, но почему поиск отдает 76 совпадений по знаку "[".
А во такой код:
import re

file = open('subs.srt')
data = file.read()

pattern = re.compile(r"(?=\d+:\d+)(.*)(\s|\s.*\s)(?=.*\[).*\[(.*)\]", re.MULTILINE | re.UNICODE)
matches = re.findall(pattern, data)
print len(matches)
for item in matches:
print item[0] + ' ' + item[2]

Отдает только 58. Какие-то не учитываются?

[stayHARD]

DevMan: кажется я понимаю по чему.
277
00:12:23,300 --> 00:12:27,200
[People singing,
drums banging]
В этой записи достанет 00:12:23,300 --> 00:12:27,200 People singing

[stayHARD]

DevMan: и почему-то не учитывает одинаковые записи, вида:
297
00:13:16,133 --> 00:13:18,433
[People singing,
drums banging]

и

313
00:14:14,167 --> 00:14:17,800
[People singing]

Считает как одну запись People singing

[stayHARD]

DevMan: проблем только если в тексте есть запятая.
Например:
[qwerty
asdf]
считается отлично, а:
[qwerty,
asdf]
считает только qwerty

Я все правильно понимаю?

[DevMan]

stayHARD: pattern = re.compile(r"(?=\d+:\d+)(.*)(\n|\n.*\n|\n.*\n.*\n)(?=.*\[).*\[([\w\s,]+)\]", re.MULTILINE | re.UNICODE)
75 матчей
один потерялся из-за повтора.

[stayHARD]

DevMan: круто-круто! То, что нужно.
Большое Вам спасибо)
Буду разбирать и пробовать.