使用pytube转换YouTube字幕为srt格式时报KeyError:'start'的问题

• 该问题是pytube内置的xml_caption_to_srt方法的兼容性缺陷导致：YouTube近年更新了字幕XML的返回结构，部分字幕节点<p>没有直接携带start属性，或者存在无属性的空占位节点，方法未做异常校验直接强制读取start属性就会触发KeyError。
• 你代码中调用的a.en是YouTube自动生成的英文字幕，结构和人工上传字幕差异更大，更容易触发该问题。

以下提供两个可直接落地的方案，优先选择第一种，无需修改依赖源码：

方案1：手动解析XML字幕转换为SRT格式 #

直接读取xml_captions内容，自行做节点校验和格式转换，完整代码如下：

from pytube import YouTube
import xml.etree.ElementTree as ET
import math

def xml_to_srt(xml_content):
    root = ET.fromstring(xml_content)
    srt_lines = []
    count = 1
    # 遍历字幕节点，跳过无有效属性的无效节点
    for p in root.findall('.//p'):
        if 'start' not in p.attrib or 'd' not in p.attrib:
            continue
        # 转换秒级时间为SRT标准格式 00:00:00,000
        start = float(p.attrib['start'])
        duration = float(p.attrib['d'])
        end = start + duration
        def format_time(sec):
            hours = math.floor(sec / 3600)
            mins = math.floor((sec % 3600) / 60)
            secs = sec % 60
            return f"{hours:02d}:{mins:02d}:{secs:06.3f}".replace('.', ',')
        # 提取字幕文本，兼容自动字幕的嵌套标签结构
        text = ''.join([s.text for s in p.findall('.//s') if s.text]) if p.findall('.//s') else p.text
        if not text:
            continue
        # 拼接SRT标准块
        srt_lines.append(f"{count}")
        srt_lines.append(f"{format_time(start)} --> {format_time(end)}")
        srt_lines.append(text.strip())
        srt_lines.append('')
        count += 1
    return '\n'.join(srt_lines)

# 原有业务逻辑
video=YouTube('https://www.youtube.com/watch?v=xxydY73V9bQ')
caption = video.captions['a.en']
srt_content = xml_to_srt(caption.xml_captions)
# 可直接写入本地SRT文件
with open('video_subtitle.srt', 'w', encoding='utf-8') as f:
    f.write(srt_content)

方案2：修改pytube源码适配新结构 #

找到本地pytube安装目录下的captions.py文件，定位到报错的83行附近，在读取start属性前增加校验逻辑，跳过无效节点：

# 原有报错代码行：start = float(child.attrib["start"])
# 替换为以下内容
if "start" not in child.attrib or "d" not in child.attrib:
    continue
start = float(child.attrib["start"])

该方案缺点是重新安装/升级pytube后修改会失效，需要重新调整。

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