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
- 打开终端,通过
cd命令进入存放脚本、词表、SRT文件的目录 - 执行运行命令:
python3 filter_srt.py - 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
相关产品推荐

