如何更好地解析随机曲目列表

Question

我对解析各种格式的曲目列表感兴趣，其中包含以下行：

artist - title
artist-title
artist / title
artist - "title"
1. artist - title
0:00 - artist - tit le
05 artist - title    12:20
artist - title [record label]

这些是文本文件，通常包含一个曲目列表，但也可能包含我不想解析的其他内容，因此理想情况下，正则表达式需要足够严格，以不包含不是曲目列表的行，尽管确实如此可能是平衡的问题。

我在以下正则表达式方面取得了一些成功：

simple = re.compile(r"""
^
(?P<time>\d?\d:\d\d)? # track time in 00:00 or 0:00
(
(?P<number>\d{1,2})   # track number as 0 01
[^\w]                 # not followed by word
)?
[-.)]?                # possibly followed by something
"?
(?P<artist>[^"@#]+)   # artist anything except "@#
"?
\s[-/\u2013]\s
"?                    # dash surrounded by spaces, possibly unicode
(?P<title>[^"@#]+?)   # title, not greedy
"?
(?P<label>\[\w+\])?   # label i.e. [something Records]
(//|&\#13;)?          # remove some weird endings, i.e. ascii carriage return
$
""", re.VERBOSE)

但是，这有点可怕，我最近才开始学习正则表达式。像这样的行有问题：

an artist-a title           # couldn't find ' - '
2 Croozin' - 2 Pumpin'      # mistakes 2 as track number
05 artist - title  12:20    # doesn't work at all

在 2 Croozin' - 2 Pumpin' 的情况下，判断 2 不是曲目编号的唯一方法是考虑周围环境，即查看其他曲目。 （我忘了提到这一点 - 这些曲目通常是曲目列表的一部分）

所以我的问题是，我一般如何改进这一点？我的一些想法是：

• 使用多个正则表达式，从非常具体的开始，然后继续使用不太具体的正则表达式，直到正确解析为止。
• 转储正则表达式并使用适当的解析器，例如 pyparsing 或 parsley，这可能能够更好地利用周围的上下文，但是我对解析一无所知
• 在多行正则表达式中使用前瞻/后瞻来查看上一行/下一行
• 使用单独的正则表达式获取时间、曲目编号、艺术家、标题
• 放弃并做一些没有意义的事情

我可以验证它已正确解析（在某种程度上）做一些事情，例如确保艺术家和标题都不同、曲目有序、时间合理，甚至可能检查艺术家/标题/标签确实存在.

Answer 1

充其量，您处理的是context-sensitive grammar，它使您脱离了正则表达式可以单独处理的领域并进入解析领域。

即使您的解析器被实现为一个正则表达式和一堆启发式，它仍然是一个解析器，解析技术将很有价值。有些语言有一个先有鸡的问题：我想称“艺术家原名艺术家原名王子”为艺术家而不是曲目名称，但直到我第二次看到它，我没有做出该决定的上下文。

为了放大@JonClements 的评论，如果文件确实包含内部元数据，那么有很多工具可以提取和操作该信息。即使内部元数据只会增加“A Question of Balance”是专辑标题的可能性，您也需要这些信息。

尽可能多地窃取设计方法：寻找开源标签操纵器（例如 EasyTag），看看他们是如何做到的。在您学习的过程中，您可能会找到一个可以为您完成工作的工具。