Pythonの正規表現でstringの一部を抽出したいのですが？

Question

Pythonの正規表現を利用して、下記のような英語の映画の台本から台詞の部分を抽出したいのですが、どうも上手くいきません。

                      NICK FURY
       Until such time as the world ends, we
       will act as though it intends to spin
       on. Clear out the tech below. Every
       piece of PHASE 2 on a truck and gone.

                      NICK FURY
       We've prepared for this, doctor.
       Harnessing energy from space.
       

台詞の部分を行数が決まっていないというのを前提で抽出したいのですが、どなたかご存知でしょうか。まだまだ未熟なため、漠然と正規表現を使った方がいいのではと思い使っているのですが、よりいい方法があれば正規表現でなくでも構わないです。よろしくお願いいたします。

Answer 1

一応の解決策を見つけたので投稿しますが、どの台詞も\n\nで終わるようなので、台詞が1行の場合は、(.)\n\n、2行の場合は、(.)\n(.*)\n\nで、順番に分析していけば各行数ごとに分析できました。（他にもまだまだ問題点はありますが…）

どうしてもstringとして抽出することができないので、また他の機会にこの点について質問させていただくと思います。

ご回答頂いた皆さん、ありがとうございました！

Answer 2

正規表現、勉強中です。

正規表現を調べるために下記のサイトが使えます。
Pythex

私は少しトライしてみたのですが、どうもうまくいきませんでした。
確かにこういう場合、正規表現で一発で取得できたら気持ちいですよね。

追記
正規表現でsplitができるみたいなので、できそうです。

text = """
                          NICK FURY 
           Until such time as the world ends, we 
           will act as though it intends to spin 
           on. Clear out the tech below. Every 
           piece of PHASE 2 on a truck and gone. 

                          NICK FURY 
           We've prepared for this, doctor. 
           Harnessing energy from space. 
"""
serif = re.split("[A-Z]+ [A-Z]+ \n", text)

for s in serif:
  print s


#実行結果
"""
                          
           Until such time as the world ends, we 
           will act as though it intends to spin 
           on. Clear out the tech below. Every 
           piece of PHASE 2 on a truck and gone. 

                          
           We've prepared for this, doctor. 
           Harnessing energy from space. 

"""

Comments

[Hiroumi]

ご回答ありがとうございます！私も Debuggex などの正規表現のオンラインツールを利用して勉強を進めています。なかなか難しいですね…

[K_S_]

空白行が含まれているので少し変更が必要です。

Answer 3

Until such time as the world ends, we
will act as though it intends to spin
on. Clear out the tech below. Every
piece of PHASE 2 on a truck and gone.

We've prepared for this, doctor.
Harnessing energy from space.

台詞の部分は上記2箇所でよろしいでしょうか？
この部分でしたら1行ずつ読み込み、小文字を含む行を抽出すればよいと思います。
他にパターンがありましたら別途考えましょう。

Comments

[Hiroumi]

ご回答ありがとうございます。実は、台本を丸々分析してコーパスを作成しようと考えていまして、まだまだ、色々なパターンがあります…　条件を絞れば一部だけ抽出することは可能なのですが、より多くのデータを得るために、最善の方法を模索しています。行数ごとに抽出すれば、もしかしたら、上手くいくかもしれないのでこれから試してみます。