youtube_abschrift_korrigieren/extract_text.py

#!/usr/bin/env python3
"""Lädt die Untertitel eines YouTube-Videos und speichert ihren Text als Datei
(yt_untertitel.py + vtt2txt.py in einem Schritt)."""
from pathlib import Path
import argparse
import shutil
import tempfile
import textwrap

from vtt2txt import vtt_to_lines
from yt_untertitel import (
    YT_DLP, choose_track, download, fetch_info, no_track_message, original_language,
)

FLOW_WIDTH = 80  # Zeilenbreite für --fliesstext


def parse_args():
    parser = argparse.ArgumentParser(
        description="Lädt die Untertitel eines YouTube-Videos und speichert den Text."
    )
    parser.add_argument("-u", "--url", required=True, help="YouTube-URL des Videos")
    parser.add_argument(
        "-l", "--lang",
        help="Sprache der Untertitel, z. B. de (Standard: Sprache des Original-Audios)",
    )
    parser.add_argument(
        "-o", "--output", type=Path, default=Path("output.txt"),
        help="Ausgabedatei (Standard: output.txt)",
    )
    parser.add_argument(
        "-f", "--fliesstext", action="store_true",
        help=f"Fließtext, auf {FLOW_WIDTH} Zeichen umbrochen, statt Untertitelzeilen",
    )
    args = parser.parse_args()

    if args.output.is_dir():
        parser.error(f"-o/--output ist ein Verzeichnis: {args.output}")
    if shutil.which(YT_DLP) is None:
        parser.error(f"{YT_DLP} nicht gefunden (Installation: pip install yt-dlp).")
    return args


def main():
    args = parse_args()

    info = fetch_info(args.url)
    print(f"Video: {info.get('title', '?')}")

    lang = args.lang or original_language(info)
    chosen = choose_track(info, lang) if lang else None
    if chosen is None:
        raise SystemExit(no_track_message(info, lang))
    track, is_auto = chosen
    kind = "automatische" if is_auto else "manuelle"
    print(f"Lade {kind} Untertitel „{track}“ …", flush=True)

    # The VTT file is only an intermediate step
    with tempfile.TemporaryDirectory() as tmp:
        target_base = Path(tmp) / "untertitel"
        download(args.url, track, is_auto, target_base)
        vtt = Path(f"{target_base}.{track}.vtt")
        if not vtt.is_file():
            raise SystemExit("yt-dlp hat keine Untertitel-Datei geschrieben.")
        lines = vtt_to_lines(vtt.read_text(encoding="utf-8-sig"))

    if not lines:
        raise SystemExit("Die Untertitel enthalten keinen Text.")

    if args.fliesstext:
        # Never split words, not even at hyphens ("EU-Gipfel")
        text = textwrap.fill(
            " ".join(lines), width=FLOW_WIDTH,
            break_long_words=False, break_on_hyphens=False,
        )
    else:
        text = "\n".join(lines)

    args.output.parent.mkdir(parents=True, exist_ok=True)
    args.output.write_text(text + "\n", encoding="utf-8")
    print(
        f"Gespeichert: {args.output} "
        f"({len(text.splitlines())} Zeilen, {len(text.split())} Wörter)"
    )


if __name__ == "__main__":
    main()