diff --git a/3.txt b/3.txt deleted file mode 100644 index d00491f..0000000 --- a/3.txt +++ /dev/null @@ -1 +0,0 @@ -1 diff --git a/README.md b/README.md index 26eb83e..036faf0 100644 --- a/README.md +++ b/README.md @@ -1,57 +1,83 @@ -# Chaoxing 课程字幕批量下载工具 +# Chaoxing 课程字幕下载与清洗工具 -本项目包含自动化脚本,可批量提取超星课程视频字幕(SRT),支持 Cookie 配置和多课程处理。 +本项目用于从超星学习通课程页面批量提取字幕信息并下载 `SRT`,再转换为纯文本,方便后续整理复习资料。 -# 总结:使用/处理顺序 -学生学习页面 -> cookie -> url -> py -> 手动提取每一章第一节 -> handle.exe -> srtTotxt.bat -> 清洗提示词.md +## 当前实际流程 +`学生学习页面.html` + `.env` -> `srt_downloader.py` -> `subtitles/*.txt`(字幕索引JSON) + `srt/*.srt` -> `handle.exe`(提取正文) -> `SrtToTxt.bat`(改后缀) -> `docs/清洗提示词.md` -## 使用方法 - -### 1. 环境准备 -- 安装 Python 3.x -- 安装依赖包: +## 环境要求 +- Python 3.9+ +- Windows(`handle.exe` 和 `SrtToTxt.bat` 为 Windows 工具) +- Python 依赖: ```bash pip install requests beautifulsoup4 python-dotenv ``` -### 2. 配置 Cookie -- 在项目根目录下创建 `.env` 文件(已自动生成),内容如下: - ```env - CHAOXING_COOKIE=你的超星登录Cookie - ``` -- 如 Cookie 过期或更换账号,直接修改 `.env` 文件即可。 +## 配置 +在项目根目录准备 `.env`: -### 3. 下载课程 HTML -- 用浏览器保存你要下载字幕的课程页面(建议保存课程目录页或视频列表页),如 `course.html`。 -- 将 HTML 文件放到脚本所在目录。 +```env +CHAOXING_COOKIE=你的完整Cookie字符串 +COURSE_URL=https://mooc1.chaoxing.com/mooc-ans/mycourse/studentstudy?courseId=...&clazzid=...&cpi=... +``` -### 4. 提取字幕 JSON 链接 -- 运行 `subtitle_downloader.py`,自动解析 HTML,提取所有字幕 JSON 链接,保存为 `subtitles/课程名.txt`。 - ```bash - python subtitle_downloader.py - ``` -- 如需处理其他课程,只需更换 HTML 文件并重新运行脚本。 +说明: +- `CHAOXING_COOKIE` 用于访问课程接口,Cookie 失效后需要更新。 +- `COURSE_URL` 用于自动解析 `courseId/clazzid/cpi`。 +- 如果项目根目录已有 `学生学习页面.html`,脚本会优先使用本地 HTML;如果没有,会尝试用 `COURSE_URL` 在线下载页面。 -### 5. 下载 SRT 字幕文件 -- 运行 `srt_fetcher.py`,自动读取 `subtitles/` 下所有 `.txt`,下载对应 SRT 文件到 `srt/` 文件夹。 - ```bash - python srt_fetcher.py - ``` +## 使用步骤 -## 文件说明 -- `downloader.py`:通用文件下载脚本(如需下载其他资源可用) -- `subtitle_downloader.py`:解析课程 HTML,提取字幕 JSON 链接 -- `srt_fetcher.py`:批量下载 SRT 字幕文件 -- `.env`:存储 Cookie -- `subtitles/`:保存每个课程的字幕 JSON 链接 -- `srt/`:保存下载的 SRT 字幕文件 +### 1) 获取课程页面(两种方式任选其一) +- 方式 A(推荐):在浏览器中保存课程目录页为 `学生学习页面.html`,放到项目根目录。 +- 方式 B:只配置 `.env` 中的 `COURSE_URL`,由脚本自动下载页面。 + +### 2) 下载字幕索引和 SRT +在项目根目录执行: + +```bash +python srt_downloader.py +``` + +执行后会生成: +- `subtitles/*.txt`:每节课对应的字幕轨道 JSON(通常包含 `url` 字段) +- `srt/*.srt`:下载后的字幕文件 + +### 3) 提取字幕正文(可选) +进入 `srt/` 目录运行 `handle.exe`(或编译 `sourse/handle.cpp`): +- 输入:`*.srt` +- 输出:`handled_*.srt`(仅保留字幕文本行) + +### 4) 批量改后缀为 txt(可选) +在包含 `*.srt` 的目录运行: + +```bat +SrtToTxt.bat +``` + +脚本会把当前目录下 `.srt` 批量重命名为 `.txt`。 + +### 5) 进一步清洗整理(可选) +可参考: +- `docs/清洗提示词.md` + +用于将字幕整理成适合开卷考试复习的结构化讲义。 + +## 目录说明 +- `srt_downloader.py`:主脚本(解析课程章节、拉取字幕索引、下载 SRT) +- `subtitles/`:每节课字幕索引 JSON 文本 +- `srt/`:字幕文件与处理结果 +- `sourse/handle.cpp`:`handle.exe` 对应源码 +- `SrtToTxt.bat`:批量重命名后缀 +- `学生学习页面.html`:课程页面样本 +- `学生学习页面_files/`:页面依赖资源(含 `cards.html`) +- `docs/清洗提示词.md`:后续文本清洗提示词模板 ## 常见问题 -- Cookie 失效:请重新获取并更新 `.env` 文件 -- 页面结构变化:如遇解析失败,请反馈或自行调整 `subtitle_downloader.py` 的解析逻辑 -- SRT 下载失败:检查 Cookie 是否有效,或字幕 JSON 链接是否正确 - -## 手动下载每一章节第一篇内容!! +- `subtitles` 某些文件只有 2 字节或为空:通常是该章节无字幕、权限不足或 Cookie 过期。 +- 下载失败 / 返回登录页:优先检查 `CHAOXING_COOKIE` 是否可用。 +- 章节解析不到:课程页面结构变化时,需调整 `srt_downloader.py` 中 `parse_knowledge_entries` 的选择器逻辑。 +- 文件名异常:脚本会自动替换 Windows 非法文件名字符。 ## 免责声明 -本脚本仅供学习交流使用,请勿用于任何商业或非法用途。 +本项目仅供学习与技术交流,请遵守平台服务条款及相关法律法规,不得用于非法或商业侵权用途。