Python 从字幕文件中删除非'；（常用词）词表中的t

我有一些字幕文件，我不打算学习这些字幕中的每一个单词，没有必要学习一些硬词，如：锁骨颅骨，发育不良

我在这里找到了这个脚本：。但我不知道如何修改或运行它。（我正在使用linux）

以下是我们的例子：

字幕文件（.srt）：

2
00:00:13000-->00:00:15000
锁骨颅骨发育不良的人是好的

3000个常用词的词表（.txt）：

…
人们
与
是
好的

我们需要的输出（.srt）：

2
00:00:13000-->00:00:15000
有**的人很好

或者，如果可能的话，只需标记它们（.srt）：

2
00:00:13000-->00:00:15000
锁骨颅骨发育不良的人是好的

如果有一个解决方案只处理纯文本（没有时间码），那没关系，只需解释如何运行它

---

谢谢。

以下仅处理每个

'.srt'

文件的第3行。它可以很容易地适应处理其他行和/或其他文件

import os
import re
from glob import glob

with open('words.txt') as f:
    keep_words = {line.strip().lower() for line in f}

for filename_in in glob('*.srt'):
    filename_out = f'{os.path.splitext(filename_in)[0]}_new.srt'
    with open(filename_in) as fin, open(filename_out, 'w') as fout:
        for i, line in enumerate(fin):
            if i == 2:
                parts = re.split(r"([\w']+)", line.strip())
                parts[1::2] = [w if w.lower() in keep_words else '*' for w in parts[1::2]]
                line = ''.join(parts) + '\n'
            fout.write(line)

结果（对于您作为示例给出的

subtitle.rst

：

! cat subtitle_new.rst
2
00:00:13,000 --> 00:00:15,000
People with * * are good.

备选方案：只需在词汇表之外的单词旁边添加一个

“*”

：

# replace:
#                 parts[1::2] = [w if w.lower() in keep_words else '*' for w in parts[1::2]]
                parts[1::2] = [w if w.lower() in keep_words else f'{w}*' for w in parts[1::2]]

然后输出为：

2
00:00:13,000 --> 00:00:15,000
People with cleidocranial* dysplasia* are good.

说明：

• 第一个

  open

  用于读入所有想要的单词，确保它们是小写的，并将它们放入

  集合中（用于快速成员资格测试）

• 我们使用

  glob

  查找所有以

  '.srt'

  结尾的文件名
• 对于每个这样的文件，我们构造一个新的文件名，从中派生为

  “…\u new.srt”

• 我们读取所有行，但只修改行

  i==2

  （即第三行，因为

  枚举

  默认从0开始）

• line.strip（）

  删除尾随的换行符
• 我们本可以使用

  line.strip（）.split（）

  将行拆分为单词，但它会将

  作为最后一个单词。

  不好。使用的正则表达式通常用于拆分单词（特别是，它会在单引号中留下如

  “don”

  ；它可能是您想要的，也可能不是您想要的，当然可以随意调整）
• 我们使用捕获组拆分

  r”（[\w']+）“

  ，而不是对非单词字符进行拆分，这样我们就有了两个单词以及将它们分隔成

  部分的内容。例如，
  “人，谁是好的。”
  变成了
  [“人”，“人”，“谁”，“是”，“好的”，“好的”。]

• 单词本身是

  部分的每一个其他元素，从索引1开始

• 如果单词的小写形式不在

  keep_words

  中，我们将其替换为

  '*'

• 最后，我们重新组装该行，并通常将所有行输出到新文件

---

以下仅处理每个

'.srt'

文件的第三行。它可以很容易地适应处理其他行和/或其他文件

import os
import re
from glob import glob

with open('words.txt') as f:
    keep_words = {line.strip().lower() for line in f}

for filename_in in glob('*.srt'):
    filename_out = f'{os.path.splitext(filename_in)[0]}_new.srt'
    with open(filename_in) as fin, open(filename_out, 'w') as fout:
        for i, line in enumerate(fin):
            if i == 2:
                parts = re.split(r"([\w']+)", line.strip())
                parts[1::2] = [w if w.lower() in keep_words else '*' for w in parts[1::2]]
                line = ''.join(parts) + '\n'
            fout.write(line)

结果（对于您作为示例给出的

subtitle.rst

：

! cat subtitle_new.rst
2
00:00:13,000 --> 00:00:15,000
People with * * are good.

备选方案：只需在词汇表之外的单词旁边添加一个

“*”

：

# replace:
#                 parts[1::2] = [w if w.lower() in keep_words else '*' for w in parts[1::2]]
                parts[1::2] = [w if w.lower() in keep_words else f'{w}*' for w in parts[1::2]]

然后输出为：

2
00:00:13,000 --> 00:00:15,000
People with cleidocranial* dysplasia* are good.

说明：

• 第一个

  open

  用于读入所有想要的单词，确保它们是小写的，并将它们放入

  集合中（用于快速成员资格测试）

• 我们使用

  glob

  查找所有以

  '.srt'

  结尾的文件名
• 对于每个这样的文件，我们构造一个新的文件名，从中派生为

  “…\u new.srt”

• 我们读取所有行，但只修改行

  i==2

  （即第三行，因为

  枚举

  默认从0开始）

• line.strip（）

  删除尾随的换行符
• 我们本可以使用

  line.strip（）.split（）

  将行拆分为单词，但它会将

  作为最后一个单词。

  不好。使用的正则表达式通常用于拆分单词（特别是，它会在单引号中留下如

  “don”

  ；它可能是您想要的，也可能不是您想要的，当然可以随意调整）
• 我们使用捕获组拆分

  r”（[\w']+）“

  ，而不是对非单词字符进行拆分，这样我们就有了两个单词以及将它们分隔成

  部分的内容。例如，
  “人，谁是好的。”
  变成了
  [“人”，“人”，“谁”，“是”，“好的”，“好的”。]

• 单词本身是

  部分的每一个其他元素，从索引1开始

• 如果单词的小写形式不在

  keep_words

  中，我们将其替换为

  '*'

• 最后，我们重新组装该行，并通常将所有行输出到新文件

---

您只需运行如下python脚本：

以open（“words.txt”、“rt”）作为单词：
#创建一个包含每个单词的列表
wordList=words.read（）.split（“\n”）
以open（“subtitle.srt”、“rt”）作为字幕：
打开（“subtitle_output.srt”、“wt”）作为输出：
对于字幕中的行。readlines（）：
如果行[0]。isdigit（）：
#忽略以数字开头的行
输出。写入（行）
持续
其他：
对于第行中的单词。拆分（）：
如果单词列表中没有单词：
out.write（line.replace（word，f“*{word}*”）

---

此脚本将用修改后的

*word*

替换公共单词文件中不存在的每个单词，保留原始文件并将所有内容放入新的输出文件中

您只需运行如下python脚本：

以open（“words.txt”、“rt”）作为单词：
#创建一个包含每个单词的列表
wordList=words.read（）.split（“\n”）
以open（“subtitle.srt”、“rt”）作为字幕：
打开（“subtitle_output.srt”、“wt”）作为输出：
对于字幕中的行。readlines（）：
如果我