You need to enable JavaScript to run this app. Linux环境下基于通用词表过滤SRT字幕非通用词的实现方案
优惠活动
大模型
产品
解决方案
定价
更多

Linux环境下基于通用词表过滤SRT字幕非通用词的实现方案

Linux环境下SRT字幕非通用词过滤实操方案

前置准备

  • 终端执行python3 --version确认能正常返回版本号,无输出的话通过系统包管理器安装:Debian/Ubuntu系执行sudo apt install python3,RHEL/Fedora系执行sudo dnf install python3
  • 准备两个输入文件,放在同一个文件夹内:
    • common_words.txt:收录3000个常用词的词表,确保每行单独存一个词,无多余空格、符号即可(脚本会自动做小写匹配,不强制要求全小写)
    • 待处理的SRT字幕文件,命名为subtitles.srt

原参考脚本的适配改造逻辑

原Stack Overflow参考脚本的核心逻辑是逐词和自定义列表比对、标记/替换非列表内词汇,本次针对SRT格式做了3点关键适配:

  • 新增SRT行类型判断:跳过纯数字序号行、带-->的时间轴行、空行,只处理真正的字幕文本行,不破坏SRT原格式
  • 新增大小写不敏感匹配:避免因为句首单词大写(比如People)误判为非通用词
  • 新增标点拆分逻辑:把单词和前后的标点(比如句尾的句号、逗号)拆分后再匹配,不破坏原字幕的标点结构

可直接运行的脚本

把以下内容复制后,在输入文件所在文件夹新建filter_srt.py文件粘贴保存即可:

import re

# 自定义配置区,按需修改
COMMON_WORD_FILE = "common_words.txt"
INPUT_FILE = "subtitles.srt"
OUTPUT_FILE = "processed_subtitles.srt"
# 输出模式可选:replace=非通用词替换为*;mark=非通用词后追加*
OUTPUT_MODE = "replace"

# 加载常用词表为集合,提升匹配速度
with open(COMMON_WORD_FILE, "r", encoding="utf-8") as f:
    common_words = set(word.strip().lower() for word in f if word.strip())

# 逐行处理文件
with open(INPUT_FILE, "r", encoding="utf-8") as f_in, open(OUTPUT_FILE, "w", encoding="utf-8") as f_out:
    for line in f_in:
        stripped = line.strip()
        # 按SRT规则判断无需处理的行,原样写入
        if (not stripped
            or stripped.isdigit()
            or "-->" in stripped):
            f_out.write(line)
            continue
        # 拆分文本中的单词和标点,逐词匹配
        tokens = re.findall(r"(\w+|[^\w\s])", line)
        processed_tokens = []
        for token in tokens:
            if token.isalpha():
                if token.lower() not in common_words:
                    if OUTPUT_MODE == "replace":
                        processed_tokens.append("*")
                    else:
                        processed_tokens.append(f"{token}*")
                else:
                    processed_tokens.append(token)
            else:
                processed_tokens.append(token)
        f_out.write("".join(processed_tokens))

纯文本适配提示:如果不需要保留SRT格式,只要删掉上述脚本里判断“无需处理行”的代码块,把INPUT_FILE替换为纯TXT文件路径即可直接运行,效果和SRT处理完全一致。
批量处理提示:如果需要一次性处理目录下所有SRT文件,只需在脚本开头引入glob模块,把单文件读取逻辑替换为遍历glob.glob("*.srt")获取的所有字幕文件路径即可,无需逐文件手动运行。

本地运行操作步骤

  1. 打开终端,通过cd命令进入存放脚本、词表、SRT文件的目录
  2. 执行运行命令:python3 filter_srt.py
  3. 运行完成后,同目录下会生成processed_subtitles.srt,即为处理完成的文件

效果验证示例

原SRT测试片段:

2
00:00:13,000 --> 00:00:15,000
People with cleidocranial dysplasia are good.
  • 选replace模式输出:
    2
    00:00:13,000 --> 00:00:15,000
    People with * * are good.
    
  • 选mark模式输出:
    2
    00:00:13,000 --> 00:00:15,000
    People with cleidocranial* dysplasia* are good.
    

内容的提问来源于stack exchange,提问作者user1586

相关产品推荐
方舟 Agent Plan

超全模态模型 × Harness 升级,最新支持 Deepseek-V4.1-Flash、GLM-5.3 系列、Doubao-Seedream-5.0-pro、Kimi-K3 (部分), 限时 9.9 元起

最近更新时间:2026.11.10 16:06:03