在Colab中用Pytube下载含僧伽罗语标题YouTube视频失败求助

问题重现 #

使用Pytube下载YouTube音频时，部分僧伽罗语标题视频可成功下载，但特定视频（链接：https://www.youtube.com/watch?v=HdPK6pd6XnA）抛出错误：

OSError: [Errno 22] Invalid argument: '/content/drive/My Drive/සමාධිය අඩු වෙලා වීර්යය වැඩි කරගත්තොත් කලබලකාරී වෙනවා සමාධිය වැඩි වෙලා විර්යය අඩු වුණොත් උදාසීන වෙනවා.mp4'

原文件名清理函数未解决问题，核心原因是未处理Unicode字符规范化及Google Drive文件系统的特殊限制。

解决方案 #

方案1：改进Pytube的文件名处理逻辑 #

通过规范化Unicode字符、彻底清理非法字符，并手动指定下载文件名，解决编码兼容性问题：

!pip install pytube
from google.colab import drive
drive.mount('/content/drive')
from pytube import YouTube
import re
import unicodedata

def sanitize_filename(filename):
    # 移除文件系统禁止的特殊字符
    sanitized = re.sub(r'[<>:"/\\|?*]', '_', filename)
    # 规范化Unicode字符，消除组合字符、隐形字符等问题
    sanitized = unicodedata.normalize('NFKC', sanitized)
    # 限制文件名长度（Google Drive支持最大255字符）
    max_length = 255
    if len(sanitized) > max_length:
        # 截断时保留.mp4后缀，避免文件名无效
        sanitized = sanitized[:max_length - 4] + '.mp4'
    return sanitized

video_url = "https://www.youtube.com/watch?v=HdPK6pd6XnA"
yt = YouTube(video_url)
# 清理视频标题作为文件名
clean_filename = sanitize_filename(f"{yt.title}.mp4")
# 手动指定文件名下载到Drive
yt.streams.filter(only_audio=True).first().download(
    output_path='/content/drive/My Drive',
    filename=clean_filename
)

方案2：换用yt-dlp（推荐） #

yt-dlp对非ASCII文件名、复杂视频的兼容性远优于Pytube，无需手动处理文件名即可自动兼容：

!pip install yt-dlp
from google.colab import drive
drive.mount('/content/drive')

# 下载音频并自动处理文件名，保存到Google Drive
!yt-dlp -x --audio-format mp4 -o "/content/drive/My Drive/%(title)s.%(ext)s" "https://www.youtube.com/watch?v=HdPK6pd6XnA"

如果仍遇到文件名问题，可直接用视频ID作为文件名（避免语言编码问题）：

!yt-dlp -x --audio-format mp4 -o "/content/drive/My Drive/%(id)s.%(ext)s" "https://www.youtube.com/watch?v=HdPK6pd6XnA"

关键原因说明 #

原清理函数仅处理了基础非法字符，但僧伽罗语的Unicode字符可能包含组合字符（如带附加符号的字符），Google Drive挂载的文件系统无法正确识别这类未规范化的字符，导致Errno 22错误。使用NFKC规范化可将组合字符转换为单个标准字符，同时手动指定文件名能避免Pytube自动处理时的编码偏差。

内容的提问来源于stack exchange，提问作者madhawavish