python提取字幕文件中的纯文字

python提取字幕文件中的纯文字

当我们有一个字幕文件，需要把里面的纯文字提出出来的时候，手动去删除其他部分会比较麻烦，所以我们可以用一小段python代码来帮我们实现这一功能。

1.关于字幕文件srt的说明

srt文件的格式一般是这样的：

1
00:00:00,166 --> 00:00:01,499
滕王阁序

2
00:00:02,133 --> 00:00:02,999
王勃

3
00:00:05,166 --> 00:00:06,999
豫章故郡

4
00:00:07,700 --> 00:00:09,933
洪都新府

5
00:00:10,800 --> 00:00:12,733
星分翼轸

6
00:00:13,033 --> 00:00:14,933
地接衡庐

2.实现方案

1. 方案1

观察srt文件，会发现，我们不需要的行有：

1. 数字编号行（纯数字）
2. 时间跨度行（首尾都是数字）
3. 空行（只有换行符’\n’）

上面的这3行是我们不需要的，所以我们需要把这3行给删掉。
我们先获取到文本文件的每一行数据，然后对纯文字行的判断，如果该行的开头不是换行符或者数字，而且结尾也不是数字的话，我们认为该行为纯文字行。

具体实现如下：

texts = []
with open("subtitle.srt", encoding="utf-8-sig") as f:  # 打开字幕文件
    for line in f.readlines():  # 读取字幕文件中的每一行
        if line[0] not in list('\n0123456789') and line[-2] not in list('0123456789'):
            # 这里是对纯文字行的判断，如果该行的开头不是换行符或者数字，而且结尾也不是数字的话，
            # 我们认为该行为纯文字行
            # list('\n0123456789')，是将str转换为列表，['\n','1','2',...]
            # 由于每行文字的最后都会换行，所以line的最后一个字符串都是'\n'，
            # 所以在获取每行结尾的字符时，要用line[-2]而不是line[-1]，line[-1]=='\n'
            # 但这样其实也是存在一个弊端的，那就是如果纯文字的开始和结尾都是数字的话，该行文本也会被删除掉（一般不会出现这种情况）
            texts.append(line)  # 将筛选后的文本加入到目标列表中
texts = [text.strip() for text in texts]
# texts是一个列表，text是列表中的元素，text.strip()会去掉每个元素中，前后的空格以及换行符
# 由于每行文字的最后都有一个换行符，这里被去掉了，后面在写入文件的时候，需要在每行元素后面加上换行符'\n'
with open("content1.txt", 'w') as file:
    for line in texts:
        file.write(line + '\n')  # 将每行文字写入文件，加上换行符'\n'

2. 方案2

在观察了srt文件的格式之后，我们发现纯文本文字都出现在第3，7，11，15，…行，所以我们可以只提取这些行即可。

具体实现如下：

texts = []
with open('subtitle.srt', encoding="utf-8-sig") as f:  # 打开文件
    for lines in f.readlines():  # 获取每一行文字
        texts.append(lines)  # 将每行文字存放到texts列表中

texts = texts[2:len(texts):4]  # 对列表进行切片，从第3个元素（下标从0开始）开始，到列表结束，每次的步长为4
texts = [text.strip() for text in texts]  # 去除每行首尾的空格以及换行符

with open("content2.txt", 'w') as file:
    for line in texts:
        file.write(line + '\n')  # 写入文件

3.实现效果

实现效果如下：

滕王阁序
王勃
豫章故郡
洪都新府
星分翼轸
地接衡庐

4.比较分析

虽然第一种方案的方法更为复杂，但是可以应对更为复杂的情况，比如同一个时间段内的字幕文本存在换行时（如：中英文字幕，如下），也可以进行提取，但是第二种方案就失效了。

1
00:00:51,124 --> 00:00:54,393
这是自由之城。
This is Free City.

2
00:00:55,727 --> 00:00:59,565
看看这个家伙。他是做太阳镜的。
Look at this guy. He's one of the sunglasses people.

第二种方案的优点是逻辑更为简单，当我们已知每个时间段内的字幕文件都只有一行文本时，可以采用第二种方案。

综合来说，第一种方案的适用性更广，建议采用第一种方案。