如何通过Python基于WAV文件名筛选生成对应文本文件

嘿，这个需求在语音数据集预处理里太常见了！我来给你一套清晰的Python实现方案，分步骤来看：

1. 核心逻辑梳理 #

我们要完成三件关键事情：

• 扫描目标目录，收集所有WAV文件的文件名（注意要去掉.wav后缀，因为你的文本文件里存的是不带后缀的文件名格式）
• 读取原始文本文件，逐行检查文件名是否存在于WAV文件集合中
• 将匹配成功的行写入新的文本文件

2. 完整代码实现 #

import os

# 配置路径（根据你的实际情况修改）
wav_dir = "/path/to/your/wav/files"  # 替换成你的WAV文件目录
original_txt = "/path/to/original/text/file.txt"  # 替换成原始文本文件路径
output_txt = "/path/to/output/new_file.txt"  # 替换成输出文件路径

# 步骤1：收集所有WAV文件名（去掉后缀）
wav_filenames = set()
for filename in os.listdir(wav_dir):
    if filename.endswith(".wav"):
        # 去掉.wav后缀，得到和文本里一致的文件名格式
        wav_filenames.add(filename[:-4])

# 步骤2：读取原始文本，筛选匹配行
matched_lines = []
with open(original_txt, "r", encoding="utf-8") as f:
    for line in f:
        line = line.strip()  # 去掉换行符和首尾空格
        if not line:
            continue  # 跳过空行
        # 按|分割，注意处理可能的空格（如果有的话）
        parts = line.split("|")
        if len(parts) != 2:
            print(f"警告：无效行格式，跳过：{line}")
            continue
        txt_filename = parts[0].strip()
        # 判断这个文件名是否在WAV集合中
        if txt_filename in wav_filenames:
            matched_lines.append(line)

# 步骤3：写入新文件
with open(output_txt, "w", encoding="utf-8") as f:
    f.write("\n".join(matched_lines))

print(f"处理完成！已生成新文件：{output_txt}")

3. 优化与注意事项 #

• 用集合存储WAV文件名：集合的成员查询速度是O(1)，如果你的WAV文件数量很多（比如上万级），比用列表查询快太多
• 编码适配：如果你的文本文件不是UTF-8编码，记得把encoding="utf-8"改成对应的编码（比如gbk）
• 异常行处理：代码里自动跳过空行和格式不正确的行，避免程序报错中断
• 安全路径处理：如果路径包含特殊字符或空格，建议用os.path.join()拼接路径，比如os.path.join(wav_dir, filename)，兼容性更好

如果你需要更精准匹配WAV文件（比如避免目录里其他带.wav的非目标文件），可以用glob模块替换步骤1的代码：

from glob import glob

wav_filenames = set()
# 匹配目录下所有.wav文件，要包含子目录的话用**/*.wav
for wav_path in glob(os.path.join(wav_dir, "*.wav")):
    # 提取纯文件名（不带路径和后缀）
    filename = os.path.basename(wav_path)[:-4]
    wav_filenames.add(filename)

这样处理起来会更灵活！

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