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：

  pip install requests beautifulsoup4 python-dotenv
  

配置

在项目根目录准备 .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：

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：

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。