如何移除字符串中的 ？爬取YouTube字幕时遇移除失效问题

嘿，我看你遇到的问题是用replace("\n", ' ')没法移除字符串里的换行，其实根源出在你把整个字幕列表直接转成字符串来处理了，这种做法会引入一堆不必要的格式混乱和转义字符，导致你的换行匹配根本找不到目标。

为什么原来的方法行不通？ #

当你调用str(subtitles)时，Python会把这个包含字典的列表转换成它的“打印字符串表示”——里面不仅有你需要的字幕文本，还有字典的键（比如'start'、'duration'）、括号、引号，甚至原来文本里的换行可能被转义成了\\n，或者整个列表字符串里的换行是控制台打印时的换行，根本不是你代码里要匹配的\n。这就导致你的replace("\n", ' ')完全找不到对应的字符。

更优雅可靠的解决方法 #

直接遍历get_transcript()返回的列表，每个元素是一个字典，你只需要提取里面的'text'字段就行了，完全不用去处理那些冗余的格式：

from youtube_transcript_api import YouTubeTranscriptApi
import re

# 获取原始字幕列表，每个元素是包含text、start、duration的字典
subtitles = YouTubeTranscriptApi.get_transcript('VW2VScHV7b4')

# 提取所有字幕文本，同时替换每个文本块里的换行
cleaned_text = ' '.join([item['text'].replace('\n', ' ') for item in subtitles])

# 执行你需要的其他清理操作
cleaned_text = cleaned_text.replace('[Music]', '')
cleaned_text = cleaned_text.replace('♪INTRO', '')
# 移除小写字母后的数字
cleaned_text = re.sub(r'(?<=[a-z])\d+\b', '', cleaned_text)

print(cleaned_text)

如果你非要修复原来的代码（不推荐） #

要是你想坚持原来的字符串处理思路，那你需要匹配转义后的换行符，把replace("\n", ' ')改成replace("\\n", ' ')——但这种方法非常脆弱，只要YouTube的字幕返回格式稍有变化，你的正则就会失效，所以还是推荐上面的方法。

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