python文本处理尝试

Python文本处理尝试

最近打算看CSAPP，GitHub上看到有英语字幕ass源文件，想把字幕提取出来提高学习效率，先把ass文件转成txt文件，发现是这样

都在Dialogue的后面，打算尝试提取一下

• 不太熟练，下面是随便想的思路

  • 文件读入一整个字符串，然后从[Events]那里开始截断了，再做后续处理
  • 文件逐行读入字符串列表，然后定位到[Events]那里，查看它的index，然后用切片把后面的取出来，然后再对每个dialogue用切片或者什么split啥的把后面的字幕取出来（切片也可以，因为前面的格式固定，好数的）

• 先试试上面第二种思路这种

  参考教程：Python 逐行读取txt 文件并生成列表

  txt_list = []
  
  with open("Lecture 01.txt", "r", encoding="utf-8") as f:  # 打开文件
      # data = f.read()  # 读取文件
      # print(data)
      line = f.readline()
      while line:
          txt_list.append(line)
          line = f.readline()
  
  # print(txt_list)
  print(len(txt_list))
  
  

  打印行数是847,那应该问题不大

• 找出[Events]是第几个

  参考:python查找列表元素位置

  print(txt_list.index('[Events]\n'))
  

  是29，那么从31开始取

  

• 看看每句话的后面是从哪里开始切片

  txt_filtered = txt_list[31:]
  # print(txt_filtered)
  print(txt_filtered[0][50:])
  print(txt_filtered[1][50:])
  

  试了几次20，40，试出来是从50开始那么就好办了

  

• 接下来对txt_filtered每个元素进行相同切片操作就行了， for循环或lambda表达式，我选后者

  参考：使用 lambda 表达式实现对列表中的元素求平方

  txt_result = list(map(lambda x:x[50:-1],txt_filtered))
  # print(txt_result)
  for item in txt_result:
      print(item)
  

  左闭右开，最右边是换行符\n，-1是为了把换行符去掉

  芜湖！

  

• 接下来我要把这个列表写入文本文件

  参考：Python学习-将list列表写入文件并读取方法汇总

  • 试试writelines()

    # https://blog.csdn.net/zwt0909/article/details/52268717
    # https://blog.csdn.net/nanjunxiao/article/details/9086079
    # https://blog.csdn.net/weixin_40973138/article/details/106209020?ops_request_misc=%257B%2522request%255Fid%2522%253A%2522167090820216800192239538%2522%252C%2522scm%2522%253A%252220140713.130102334..%2522%257D&request_id=167090820216800192239538&biz_id=0&utm_medium=distribute.pc_search_result.none-task-blog-2~all~top_positive~default-2-106209020-null-null.142^v68^js_top,201^v4^add_ask,213^v2^t3_control1&utm_term=python%E9%80%90%E8%A1%8C%E8%AF%BB%E5%8F%96txt%E6%96%87%E4%BB%B6&spm=1018.2226.3001.4187
    txt_list = []
    
    with open("Lecture 01.txt", "r", encoding="utf-8") as f:  # 打开文件
        # data = f.read()  # 读取文件
        # print(data)
        line = f.readline()
        while line:
            txt_list.append(line)
            line = f.readline()
    
    # print(txt_list)
    # print(len(txt_list))
    print(txt_list.index('[Events]\n'))
    txt_filtered = txt_list[31:]
    # print(txt_filtered)
    print(txt_filtered[0][50:])
    print(txt_filtered[1][50:])
    
    txt_result = list(map(lambda x:x[50:-1],txt_filtered))
    # print(txt_result)
    for item in txt_result:
        print(item)
    
    
    fp = open("lec01 course overview.txt","w")
    fp.writelines(txt_result)
    fp.close()
    

    不是想要的效果,全都挤在一坨了

  • writelines括号里修改一下

    参考：python writelines换行_写入文件writelines 换行问题

    txt_list = []
    
    with open("Lecture 01.txt", "r", encoding="utf-8") as f:  # 打开文件
        # data = f.read()  # 读取文件
        # print(data)
        line = f.readline()
        while line:
            txt_list.append(line)
            line = f.readline()
    
    # print(txt_list)
    # print(len(txt_list))
    print(txt_list.index('[Events]\n'))
    txt_filtered = txt_list[31:]
    # print(txt_filtered)
    print(txt_filtered[0][50:])
    print(txt_filtered[1][50:])
    
    txt_result = list(map(lambda x:x[50:-1],txt_filtered))
    # print(txt_result)
    for item in txt_result:
        print(item)
    
    
    fp = open("提取字幕\lec01 course overview.txt","w")
    fp.writelines([line+'\n' for line in txt_result])
    fp.close()
    

    

    实现了，不过这样有点好玩哈哈哈，这样还不如之前切片的时候不去掉换行符，因为前面去掉了后面还要加上

• 还想再进一步处理，我想写入txt后，把后缀名改为.md，然后直接变成无序列表，那么就是在每一行前面加上-和一个空格，

  改一行代码即可

  fp.writelines(['- '+ line+'\n' for line in txt_result])
  

  好耶！

  • 改为markdown

另外，直接复制markdown的源代码到CSDN编辑器好像比导入md文件更不容易丢失图床的图片还有格式？？？