1

README.md

@@ -1,54 +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。
 
-## 使用方法
+## 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`
 
-### 1. 环境准备
+## 环境要求
-- 安装 Python 3.x
+- Python 3.9+
-- 安装依赖包：
+- Windows（`handle.exe` 和 `SrtToTxt.bat` 为 Windows 工具）
+- Python 依赖：
   ```bash
   pip install requests beautifulsoup4 python-dotenv
   ```
 
-### 2. 配置 Cookie
+## 配置
-- 在项目根目录下创建 `.env` 文件（已自动生成），内容如下：
+在项目根目录准备 `.env`：
-  ```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。
 
-### 3. 下载课程 HTML
+```env
-- 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`。
+CHAOXING_COOKIE=你的完整Cookie字符串
-- 将 HTML 文件放到脚本所在目录。
+COURSE_URL=https://mooc1.chaoxing.com/mooc-ans/mycourse/studentstudy?courseId=...&clazzid=...&cpi=...
+```
 
-### 4. 提取字幕 JSON 链接
+说明：
-- 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`。
+- `CHAOXING_COOKIE` 用于访问课程接口，Cookie 失效后需要更新。
-  ```bash
+- `COURSE_URL` 用于自动解析 `courseId/clazzid/cpi`。  
-  python subtitle_downloader.py
+- 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。
-  ```
-- 如需处理其他课程，只需更换 HTML 文件并重新运行脚本。
 
-### 5. 下载 SRT 字幕文件
+## 使用步骤
-- 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
-  ```
 
-## 文件说明
+### 1) 获取课程页面（两种方式任选其一）
-- `downloader.py`：通用文件下载脚本（如需下载其他资源可用）
+- 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。
-- `subtitle_downloader.py`：解析课程 HTML，提取字幕 JSON 链接
+- 方式 B：只配置 `.env` 中的 `COURSE_URL`，由脚本自动下载页面。
-- `srt_fetcher.py`：批量下载 SRT 字幕文件
+
-- `.env`：存储 Cookie
+### 2) 下载字幕索引和 SRT
-- `subtitles/`：保存每个课程的字幕 JSON 链接
+在项目根目录执行：
-- `srt/`：保存下载的 SRT 字幕文件
+
+```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
+- `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。
-- 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
+- 下载失败 / 返回登录页：优先检查 `CHAOXING_COOKIE` 是否可用。
-- SRT 下载失败：检查 Cookie 是否有效，或字幕 JSON 链接是否正确
+- 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。
-## 手动下载每一章节第一篇内容！！
 
 ## 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。

顺序.txt

@@ -1,7 +0,0 @@
-学生学习页面
-cookie
-url
-py
-handle.exe
-srtTotxt.bat
-清洗提示词.md