From fcdcfe020bc303c67e4d0ee27b6be4527ecbcd4d Mon Sep 17 00:00:00 2001
From: catShark <1716967236@qq.com>
Date: Sat, 5 Sep 2026 22:32:15 +0800
Subject: [PATCH] =?UTF-8?q?fix:=20SRT=20=E8=A7=A3=E6=9E=90=E5=99=A8?=
 =?UTF-8?q?=E6=AD=A3=E7=A1=AE=E5=A4=84=E7=90=86=E7=A9=BA=E6=96=87=E6=9C=AC?=
 =?UTF-8?q?=E5=AD=97=E5=B9=95=E6=9D=A1=E7=9B=AE?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

旧正则把空文本条目与下一行合并，导致真实集成测试偶发
"译文条数 1439 != 原文 1440"（翻译补空/空字幕使条目被吞并）。
改为按时间轴行分块解析：序号缺省、空文本也独立计数，时间轴不丢失。
---
 tests/realdata_contract.py | 43 +++++++++++++++++++++++++++++++-------
 1 file changed, 35 insertions(+), 8 deletions(-)

diff --git a/tests/realdata_contract.py b/tests/realdata_contract.py
index 2284679..325539a 100644
--- a/tests/realdata_contract.py
+++ b/tests/realdata_contract.py
@@ -109,23 +109,50 @@ def prompt_rule_candidates() -> list[Path]:
 # SRT 解析（纯函数，供参考与产物共同使用）
 # ---------------------------------------------------------------------------
 
-_SRT_BLOCK_RE = re.compile(
-    r"(\d{2}:\d{2}:\d{2},\d{3})\s*-->\s*(\d{2}:\d{2}:\d{2},\d{3})\s*\n(.*?)(?=\n\s*\d+\s*\n|\Z)",
-    re.DOTALL,
+# 匹配 SRT 时间轴行（时间戳 --> 时间戳），作为条目边界。
+_SRT_TIME_LINE_RE = re.compile(
+    r"(\d{2}:\d{2}:\d{2},\d{3})\s*-->\s*(\d{2}:\d{2}:\d{2},\d{3})",
 )
 
 
 def parse_srt_entries(text: str) -> list[dict]:
-    """解析 SRT 为 [{start, end, text}]（秒为单位）。"""
+    """解析 SRT 为 [{start, end, text}]（秒为单位）。
+
+    按行分块：一个条目 = 序号行 + 时间轴行 + 若干文本行（可空）。即使文本为
+    空串（如翻译补空占位、空字幕）也计入一条，时间轴不丢失。"""
     entries: list[dict] = []
-    for match in _SRT_BLOCK_RE.finditer(text):
+    lines = text.splitlines()
+    index = 0
+    while index < len(lines):
+        line = lines[index].strip()
+        # 跳过序号行与空行，找时间轴行。
+        if not line or not _SRT_TIME_LINE_RE.search(line):
+            index += 1
+            continue
+        match = _SRT_TIME_LINE_RE.search(line)
+        start = _ts_to_seconds(match.group(1))
+        end = _ts_to_seconds(match.group(2))
+        index += 1
+        # 收集后续非序号、非时间轴的文本行（可空/多行），直到空行或序号行。
+        text_parts: list[str] = []
+        while index < len(lines):
+            nxt = lines[index].strip()
+            if not nxt:
+                break  # 空行：条目结束
+            if _SRT_TIME_LINE_RE.search(nxt):
+                break  # 下一个时间轴：条目结束
+            if nxt.isdigit():
+                break  # 下一个序号：条目结束
+            text_parts.append(nxt)
+            index += 1
         entries.append(
             {
-                "start": _ts_to_seconds(match.group(1)),
-                "end": _ts_to_seconds(match.group(2)),
-                "text": match.group(3).strip().replace("\n", " "),
+                "start": start,
+                "end": end,
+                "text": " ".join(text_parts),
             }
         )
+        index += 1
     return entries