523066680

字幕？

Perl

2018-01-30 更新

use File::Slurp; use File::Basename; use Term::ReadKey; STDOUT->autoflush(1); chdir '.\TEDTXTUNICODE' or chdir 'C:\Users\CH6\Desktop\TEDTXTUNICODE' or quit( $! ); my $path_eng = '.\eng1246'; my $path_chs = '.\chs1203'; my $path_merge = '.\merge'; mkdir $path_merge unless -e $path_merge; my ($en, $cn, $merge); for my $cn ( glob "$path_chs\\*.txt" ) {     $en = "$path_eng\\". basename($cn);     $merge = "$path_merge\\". basename($cn);     merge( $en, $cn, $merge ) if ( -e $en ); } quit("Done"); sub merge {     my ( $en, $cn, $merge ) = @_;     my @arr = read_file( $en );     my @brr = read_file( $cn );     my @mix;     grep     {         $arr[$_] =~s/\r?\n//;         $arr[$_] .= " ". $brr[$_]     }     ( 0 .. $#arr );     @mix = grep { ( /^\d+\s+\d+$/ or /\d+:\d+:\d+/ or /^\s+$/ ) ? 0 : 1 } @arr;     write_file( $merge, @mix );     print "$merge\n"; } sub quit {     print $_[0];     ReadKey -1;     exit; }

523066680

回复 4# allenyzq147


    你需要把

my $path_eng = '.\TEDTXTUNICODE\eng1246';
my $path_chs = '.\TEDTXTUNICODE\chs1203';
my $path_merge = '.\TEDTXTUNICODE\merge';

这三行的路径改成你自己的，以及按你更新后的需求，最好是打包几个eng和chn的文件样本发上来，或者完整的打包发到网盘。
不然别人帮你解决问题，还得自己模拟文件环境，自己测试自己校验，最后发现需求改了？

523066680

更新：

1. chdir 路径 or 题主路径，这样不改代码就可以在我的目录和题主的环境上运行

chdir '.\TEDTXTUNICODE' or 
chdir 'C:\Users\CH6\Desktop\TEDTXTUNICODE' or quit( $! );
复制代码

2. 增加时间轴匹配，时间对应才合并，如果没有匹配到时间会提示 missing $time at $filename

=info     523066680@163.com     匹配时间轴，改善输出提示 =cut use Encode; use File::Basename; use Term::ReadKey; STDOUT->autoflush(1); chdir '.\TEDTXTUNICODE' or chdir 'C:\Users\CH6\Desktop\TEDTXTUNICODE' or quit( $! ); my $path_eng = '.\eng1246'; my $path_chs = '.\chs1203'; my $path_merge = '.\merge'; mkdir $path_merge unless -e $path_merge; my ($en, $cn, $merge); for my $cn ( glob "$path_chs\\*.txt" ) {     $en = "$path_eng\\". basename($cn);     $merge = "$path_merge\\". basename($cn);     merge( $en, $cn, $merge ) if ( -e $en ); } quit("Done"); sub merge {     my ( $en, $cn, $merge ) = @_;     my ( %ha, %hb, $mix );     print "Processing $merge\n";     load( \%ha, $en );     load( \%hb, $cn );     $mix = "";         for my $time ( sort keys %ha )     {         unless ( exists $hb{$time} )         {             print "  missing $time at $cn\n";             next;         }         $mix .= $ha{$time} ." ". $hb{$time} ."\r\n";     }     open $fh, ">:raw", $merge;     print $fh "\xff\xfe". encode('utf16-le', $mix);     close $fh; } sub load {     my ( $href, $file ) = @_;     open my $fh, "<:encoding(utf16-le)", $file;     my @arr = <$fh>;     close $fh;     for my $id ( 0 .. $#arr )     {         if ( $arr[$id] =~/(\d+:\d+:\d+).*\d+:\d+:\d+/ )         {             $href->{$1} = $arr[$id+1];             $href->{$1} =~s/\r?\n//;         }     } } sub quit {     print $_[0];     ReadKey -1;     exit; }

测试《雷神》字幕（手动去掉了一个时间轴）

Processing .\merge\Thor.txt
  missing 00:00:54 at .\chs1203\Thor.txt

.\merge\Thor.txt

Now, I know what you're thinking. 我知道你在想什么
"Oh, no! Thor's in a cage. How did this happen?" 不  托尔被关在笼子里了  怎么回事
Well, sometimes you have to get captured 有时  你得先被抓住
just to get a straight answer out of somebody. 才能从某人那里问出个所以然来
It's a long story, but basically, I'm a bit of a hero. 说来话长  但其实  我算是个英雄

分享个雷神字幕的示例包裹，含目录结构

523066680

回复 11# allenyzq147

    哦，原来是 utf16-le 的编码。代码更新在附件，附输出结果（发现Adam Grosser的一些时间段是没有中文翻译的，如果按行合并，就会错乱。）

Processing .\merge\A TED speakers worst nightmare.txt
Processing .\merge\Adam Grosser - A mobile fridge for vaccines.txt
  missing 00:00:28 at .\chs1203\Adam Grosser - A mobile fridge for vaccines.txt
  missing 00:00:29 at .\chs1203\Adam Grosser - A mobile fridge for vaccines.txt
  missing 00:00:31 at .\chs1203\Adam Grosser - A mobile fridge for vaccines.txt
  missing 00:00:33 at .\chs1203\Adam Grosser - A mobile fridge for vaccines.txt
  missing 00:00:37 at .\chs1203\Adam Grosser - A mobile fridge for vaccines.txt
  ...
Processing .\merge\Ahn Trio - A modern take on piano violin cello.txt
Done
复制代码

我现在的处理方式是按时间段匹配，如果没有对应翻译就不输出。

523066680

回复 16# allenyzq147

    上一段代码只对 utf8 gbk 之类（这类编码和 ASCII 码兼容）的编码起作用。现在的代码只对  utf16-le 编码起作用。
旧代码的问题以及原因：utf16-le 对 ASCII 范围的编码补0，扩充到两个字节，这样换行\r\n就不是 0d 0a， 而是 0d 00 0a 00，匹配换行的时候就会有差异。