youtube_abschrift_korrigieren/extract_text.py
dschlueter 955bdc2659 feat: -z -00:20 als Kurzform für 0-00:20 (vom Anfang bis)
Wörter hinter -z, die mit - und einer Ziffer beginnen, werden vor argparse
zu 0-… umgeschrieben; parse_ranges nimmt -B auch in Anführungszeichen an.

Co-Authored-By: Claude Opus 5.5 <noreply@anthropic.com>
2026-10-11 20:29:34 +02:00

115 lines
4 KiB
Python
Executable file

#!/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 sys
import tempfile
import textwrap
from vtt2txt import (
add_time_options, join_segments, range_argv, resolve_time_ranges, split_segments,
time_suffix, vtt_to_text,
)
from yt_untertitel import (
YT_DLP, choose_track, default_name, 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,
help="Ausgabedatei (Standard: <Kanal>_<Titel>_<Datum>.txt, "
"mit -z zusätzlich die Bereiche)",
)
parser.add_argument(
"-f", "--fliesstext", action="store_true",
help=f"Fließtext, auf {FLOW_WIDTH} Zeichen umbrochen, statt Untertitelzeilen",
)
add_time_options(parser)
args = parser.parse_args(range_argv(sys.argv[1:]))
resolve_time_ranges(parser, args)
if args.output is not None and 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 fetch_text(url, lang=None, ranges=(), exact=False):
"""Download the subtitles of a video; return (video info, text).
Without `lang` the language of the original audio is used. With time
`ranges` (seconds) the text has one block per range under a header with
its actual times, see vtt2txt.vtt_to_text.
"""
info = fetch_info(url)
print(f"Video: {info.get('title', '?')}")
lang = 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(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.")
text = vtt_to_text(vtt.read_text(encoding="utf-8-sig"), ranges, exact)
if not text:
if ranges:
raise SystemExit("Die Untertitel enthalten im gewählten Zeitraum keinen Text.")
raise SystemExit("Die Untertitel enthalten keinen Text.")
return info, text
def main():
args = parse_args()
info, text = fetch_text(args.url, args.lang, args.bereiche, args.exakt)
suffix = time_suffix(args.bereiche)
output = args.output or Path(f"{default_name(info)}{suffix}.txt")
segments = split_segments(text)
if args.fliesstext:
# Each block on its own, headers stay lines of their own; never split
# words, not even at hyphens ("EU-Gipfel")
segments = [
(header, textwrap.fill(
" ".join(body.split()), width=FLOW_WIDTH,
break_long_words=False, break_on_hyphens=False,
))
for header, body in segments
]
text = join_segments(segments)
output.parent.mkdir(parents=True, exist_ok=True)
output.write_text(text + "\n", encoding="utf-8")
print(
f"Gespeichert: {output} "
f"({len(text.splitlines())} Zeilen, "
f"{sum(len(body.split()) for _, body in segments)} Wörter)"
)
if __name__ == "__main__":
main()