Mac替换ccextractor为ffmpeg后字幕提取的换行与标签问题求助

问题描述 #

• 原基于ccextractor的字幕提取脚本失效，切换至ffmpeg提取视频字幕，目标是生成无换行的单段纯文本字幕
• 遇到两个核心问题：
  1. 原awk命令无法有效去除换行，输出仍存在大量换行
  2. 部分文件提取的字幕包含HTML格式标签（如<font face="Serif" size="18">Example line</font>）

用户原代码片段：

ffmpeg -i "$filename" "${filename}.srt"

# If the file has subtitles, extract them
if [ "$has_subtitles" ]; then
  ccextractor "$filename" -o "${filename}.srt"
  # Use dos2unix to convert the file to the correct format
  dos2unix "${filename}.srt"
  # Remove the timestamps from the .srt file
  awk -v RS= '{
    for (i=5;i<=NF;i++){
      printf "%s%s", (sep ? " " : ""), $i
      sep=1
    }
  }
  END{ print "" }' "${filename}.srt" | pbcopy
  rm "${filename}.srt"
fi

用户后续修改尝试（仅去除标签，换行问题未解决）：

END{ print "" }' "${filename}.srt" | sed 's/<[^>]*>//g' | tr '\n' ' ' | pbcopy

修正后的脚本 #

#!/bin/bash

filename="$1"
# 检查目标文件是否存在
if [ ! -f "$filename" ]; then
    echo "文件不存在"
    exit 1
fi

# 用ffmpeg提取第一条字幕轨，覆盖已有文件并屏蔽冗余日志
ffmpeg -i "$filename" -map 0:s:0 "${filename}.srt" -y 2>/dev/null

# 检查字幕文件是否生成成功
if [ -f "${filename}.srt" ]; then
    # 转换文件格式为Unix换行
    dos2unix "${filename}.srt" 2>/dev/null

    # 一站式处理字幕：过滤无效行、移除HTML标签、合并为单段无换行文本
    awk '
        # 跳过序号行、时间线行、空行
        /^[0-9]+$/ || /^-->/ || /^$/ { next }
        {
            # 移除所有HTML标签
            gsub(/<[^>]+>/, "")
            # 将当前行内容用空格连接
            printf "%s ", $0
        }
        END {
            # 移除末尾多余空格并输出换行
            printf "\n"
        }' "${filename}.srt" | sed 's/  */ /g' | tr -d '\n' | pbcopy

    # 清理临时字幕文件
    rm "${filename}.srt"
else
    echo "未检测到字幕或提取失败"
fi

关键修改说明 #

• 替换提取工具：彻底用ffmpeg替代失效的ccextractor，通过-map 0:s:0精准提取第一条字幕轨，避免无效操作
• 精准过滤无效内容：用awk直接跳过srt文件中的序号、时间线和空行，只处理纯字幕文本
• 一站式处理标签与换行：在awk中直接移除HTML标签，同时将每行字幕用空格连接，避免后续换行混乱
• 优化文本格式：用sed合并连续空格，tr -d '\n'彻底清除所有换行符，最终生成标准单段文本并复制到剪贴板
• 增加容错机制：添加文件存在性检查、字幕生成结果检查，避免无意义的执行流程

内容的提问来源于stack exchange，提问作者Fab dub