Python轻松解析SRT字幕文件教程

想要轻松解析电影字幕？本文提供了一份详尽的Python教程，教你如何利用Python解析SRT字幕文件，提取关键信息。首先，我们将深入了解SRT文件的结构，包括序号、时间戳和字幕文本，以及它们之间用空行分隔的规则。然后，我们将学习如何使用Python读取SRT文件，并有效处理UTF-8和GBK等不同编码格式，避免乱码问题。更进一步，你将掌握使用正则表达式分割字幕块，提取所需内容，并将其存储为结构化的字典列表。此外，本文还介绍了如何利用`chardet`库自动检测文件编码，以及如何提取特定时间段内的字幕，并最终将提取的字幕保存到新的SRT文件中，方便后续使用。无论你是Python初学者还是有一定经验的开发者，都能从本文中受益，轻松玩转SRT字幕文件解析。

如何用Python解析SRT字幕文件？1.了解SRT文件结构，由序号、时间戳、字幕文本组成，用空行分隔；2.用Python读取文件，先尝试UTF-8编码，失败则用GBK；3.用正则表达式分割字幕块并提取内容；4.将每个字幕块的字段存入字典，最终返回字幕列表。如何处理不同编码的SRT文件？1.使用chardet库检测文件编码；2.根据检测结果读取文件内容；3.若编码无法识别则返回空列表。如何提取特定时间段内的字幕？1.定义函数将时间戳转为timedelta对象；2.解析SRT文件后筛选出开始时间在指定范围内的字幕；3.返回符合条件的字幕列表。如何保存提取的字幕到新SRT文件？1.遍历字幕列表；2.按SRT格式写入序号、时间戳和文本；3.每个字幕块后加空行，最终保存为新文件。

直接上干货，Python源码解析电影字幕的核心在于理解字幕文件的格式，然后针对性地进行解析和提取。SRT文件是其中一种常见的格式，结构相对简单，适合作为入门案例。

解决方案

首先，我们需要了解SRT文件的基本结构。它由序号、时间戳和字幕文本组成，每个字幕块之间通常用空行分隔。

import re

def parse_srt(srt_file):
    """
    解析SRT字幕文件，提取字幕文本和时间戳。
    """
    try:
        with open(srt_file, 'r', encoding='utf-8') as f:
            srt_content = f.read()
    except UnicodeDecodeError:
        with open(srt_file, 'r', encoding='gbk') as f: # 尝试GBK编码
            srt_content = f.read()

    # 使用正则表达式分割字幕块
    subtitle_blocks = re.split(r'\n\n', srt_content)

    subtitles = []
    for block in subtitle_blocks:
        lines = block.strip().split('\n')
        if len(lines) >= 3: # 确保至少包含序号、时间戳和字幕
            try:
                index = int(lines[0])
                timestamp = lines[1]
                text = '\n'.join(lines[2:]) # 将多行字幕合并
                subtitles.append({'index': index, 'timestamp': timestamp, 'text': text})
            except ValueError:
                # 处理序号不是数字的情况，可能是不规范的SRT文件
                print(f"警告：无法解析字幕块：\n{block}")

    return subtitles

# 示例用法
srt_file = 'example.srt' # 替换成你的SRT文件路径
subtitles = parse_srt(srt_file)

for subtitle in subtitles:
    print(f"序号: {subtitle['index']}")
    print(f"时间戳: {subtitle['timestamp']}")
    print(f"字幕: {subtitle['text']}")
    print("-" * 20)

这段代码首先尝试用UTF-8编码读取SRT文件，如果失败，则尝试GBK编码。这能覆盖大多数情况，但如果遇到其他编码，可能需要手动指定。然后，它使用正则表达式\n\n来分割字幕块，这是一个常见的SRT文件结构特征。接下来，提取每个字幕块的序号、时间戳和字幕文本，并将它们存储在一个列表中。

这段代码的容错性还有提升空间。例如，可以更精细地解析时间戳，或者处理一些不规范的SRT文件格式。但是，它已经能够处理大多数常见的SRT文件了。实际应用中，你可能需要根据具体的SRT文件进行调整。

如何处理不同编码的SRT文件？

处理不同编码的SRT文件，核心在于正确识别文件的编码方式。上面代码中已经展示了尝试UTF-8和GBK编码的策略，但这只是冰山一角。更通用的方法是使用chardet库。

import chardet

def detect_encoding(file_path):
    """
    检测文件的编码方式。
    """
    with open(file_path, 'rb') as f:
        raw_data = f.read()
    result = chardet.detect(raw_data)
    return result['encoding']

def parse_srt_with_encoding(srt_file):
    """
    使用检测到的编码解析SRT文件。
    """
    encoding = detect_encoding(srt_file)
    if encoding:
        try:
            with open(srt_file, 'r', encoding=encoding) as f:
                srt_content = f.read()
        except Exception as e:
            print(f"读取文件失败: {e}")
            return []

        subtitle_blocks = re.split(r'\n\n', srt_content)

        subtitles = []
        for block in subtitle_blocks:
            lines = block.strip().split('\n')
            if len(lines) >= 3:
                try:
                    index = int(lines[0])
                    timestamp = lines[1]
                    text = '\n'.join(lines[2:])
                    subtitles.append({'index': index, 'timestamp': timestamp, 'text': text})
                except ValueError:
                    print(f"警告：无法解析字幕块：\n{block}")

        return subtitles
    else:
        print("无法检测文件编码。")
        return []

# 示例用法
srt_file = 'example.srt'
subtitles = parse_srt_with_encoding(srt_file)

for subtitle in subtitles:
    print(f"序号: {subtitle['index']}")
    print(f"时间戳: {subtitle['timestamp']}")
    print(f"字幕: {subtitle['text']}")
    print("-" * 20)

首先安装chardet: pip install chardet。 detect_encoding 函数使用 chardet.detect 来猜测文件的编码。然后，parse_srt_with_encoding 函数使用检测到的编码来读取文件。 如果 chardet 无法检测到编码，则返回一个空列表。

如何提取特定时间段内的字幕？

要在Python中提取特定时间段内的字幕，首先需要将时间戳转换为可比较的格式，然后筛选出符合条件的字幕。

import re
from datetime import datetime, timedelta

def parse_timestamp(timestamp_str):
    """
    将SRT时间戳字符串转换为timedelta对象。
    """
    try:
        hours, minutes, seconds_milliseconds = timestamp_str.split(':')
        seconds, milliseconds = seconds_milliseconds.split(',')
        return timedelta(hours=int(hours), minutes=int(minutes), seconds=int(seconds), milliseconds=int(milliseconds))
    except ValueError as e:
        print(f"时间戳解析错误: {timestamp_str} - {e}")
        return None

def extract_subtitles_by_time(srt_file, start_time, end_time):
    """
    提取指定时间段内的字幕。
    """
    subtitles = parse_srt(srt_file) # 使用之前定义的parse_srt函数

    start_time_delta = parse_timestamp(start_time)
    end_time_delta = parse_timestamp(end_time)

    if not start_time_delta or not end_time_delta:
        print("时间戳格式错误，请使用HH:MM:SS,MS格式。")
        return []

    extracted_subtitles = []
    for subtitle in subtitles:
        try:
            timestamp_parts = subtitle['timestamp'].split(' --> ')
            subtitle_start_time = parse_timestamp(timestamp_parts[0])
            subtitle_end_time = parse_timestamp(timestamp_parts[1])

            if not subtitle_start_time or not subtitle_end_time:
                continue # 忽略无法解析的时间戳

            if start_time_delta <= subtitle_start_time <= end_time_delta:
                extracted_subtitles.append(subtitle)
        except Exception as e:
            print(f"处理字幕块时发生错误: {subtitle} - {e}")

    return extracted_subtitles

# 示例用法
srt_file = 'example.srt'
start_time = '00:00:10,000'
end_time = '00:00:20,000'

extracted_subtitles = extract_subtitles_by_time(srt_file, start_time, end_time)

print(f"提取 {start_time} 到 {end_time} 时间段内的字幕:")
for subtitle in extracted_subtitles:
    print(f"序号: {subtitle['index']}")
    print(f"时间戳: {subtitle['timestamp']}")
    print(f"字幕: {subtitle['text']}")
    print("-" * 20)

这段代码首先定义了一个 parse_timestamp 函数，用于将 SRT 文件中的时间戳字符串转换为 timedelta 对象，方便进行比较。然后，extract_subtitles_by_time 函数使用 parse_srt 函数解析 SRT 文件，并将时间戳转换为 timedelta 对象。 它遍历字幕，检查字幕的开始时间是否在指定的时间范围内。 如果是，则将其添加到结果列表中。

如何将提取的字幕保存到新的SRT文件？

将提取的字幕保存到新的SRT文件，需要按照SRT文件的格式重新组织数据，并写入文件。

def save_subtitles_to_srt(subtitles, output_file):
    """
    将字幕列表保存到SRT文件。
    """
    try:
        with open(output_file, 'w', encoding='utf-8') as f:
            for subtitle in subtitles:
                f.write(str(subtitle['index']) + '\n')
                f.write(subtitle['timestamp'] + '\n')
                f.write(subtitle['text'] + '\n\n')
        print(f"字幕已保存到 {output_file}")
    except Exception as e:
        print(f"保存字幕失败: {e}")

# 示例用法
srt_file = 'example.srt'
start_time = '00:00:10,000'
end_time = '00:00:20,000'

extracted_subtitles = extract_subtitles_by_time(srt_file, start_time, end_time)

output_file = 'extracted_subtitles.srt'
save_subtitles_to_srt(extracted_subtitles, output_file)

save_subtitles_to_srt 函数接收一个字幕列表和一个输出文件路径作为参数。它遍历字幕列表，并将每个字幕按照 SRT 文件的格式写入到输出文件中。 注意，序号需要转换为字符串，并且每个字幕块之间需要添加空行。

今天关于《Python轻松解析SRT字幕文件教程》的内容就介绍到这里了，是不是学起来一目了然！想要了解更多关于Python,编码,时间戳,解析,SRT文件的内容请关注golang学习网公众号！