84 lines
3.1 KiB
Markdown
84 lines
3.1 KiB
Markdown
# Chaoxing 课程字幕下载与清洗工具
|
||
|
||
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。
|
||
|
||
## 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`
|
||
|
||
## 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
|
||
```
|
||
|
||
## 配置
|
||
在项目根目录准备 `.env`：
|
||
|
||
```env
|
||
CHAOXING_COOKIE=你的完整Cookie字符串
|
||
COURSE_URL=https://mooc1.chaoxing.com/mooc-ans/mycourse/studentstudy?courseId=...&clazzid=...&cpi=...
|
||
```
|
||
|
||
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。
|
||
|
||
## 使用步骤
|
||
|
||
### 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
|
||
- `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。
|