如何优雅的提取ass字幕文件里的文本？ |
您所在的位置：网站首页 › vtt转srt › 如何优雅的提取ass字幕文件里的文本？ |
|
用Python从.srt或.vtt等格式的字幕文件中提取纯文字现在，很多视频网站都能方便地把字幕文件下载到电脑上，如果没有时间看视频，只看文字无疑是一种高效的学习方式。但是，如果直接读字幕文件却非常不舒服，因为字幕文件中有大量的时间标记和索引标记，如下图所示，这会影响你的阅读体验。 1 00:00:00,533 --> 00:00:01,266 大家好,我是吕艳朋 2 00:00:01,366 --> 00:00:06,266 今天聊一聊喝酒到底能不能帮助睡眠 3 00:00:06,866 --> 00:00:10,333 有不少人相信喝酒可以助眠 4 00:00:10,666 --> 00:00:17,633 我也不止一次听到有人这样给失眠的人介绍自己的入睡经验 5 00:00:18,300 --> 00:00:18,766 他说 6 00:00:18,766 --> 00:00:20,666 解决失眠问题很简单那么如何把字幕文件中的文字单独提取出来呢？ 仔细观察发现，我们不需要的内容都是数字和空行，那么去掉单独的空行’\n’，以及开头和结尾都是数字的行，剩下的就是我们需要的纯字幕文字了。 可用如下Python代码来实现提取文字，并写入到文本文件。 new = [] with open("subtitle.srt", encoding="utf-8-sig") as f: for sub in f.readlines(): if sub[0] not in list('\n0123456789') and sub[-2] not in list('0123456789'): new.append(sub) new = [ele.strip() for ele in new] with open("content.txt",'w') as file: for line in new: file.write(line+'\n')提取后的效果如下： 大家好,吕艳朋 今天聊一聊喝酒到底能不能帮助睡眠 有不少人相信喝酒可以助眠 我也不止一次听到有人这样给失眠的人介绍自己的入睡经验 他说 解决失眠问题很简单但这样仍然存在一个小问题，如果字幕的开关和结尾都是数字或是单独的一串数字，如电话号码，那么就不能被识别为文字。 当然，可以通过判断上一段是否是时间标记来确定该段是否为字幕文字，稍等麻烦一些，你有更简单的方法吗？ |
| CopyRight 2018-2019 办公设备维修网 版权所有 豫ICP备15022753号-3 |