利用Python解析剪映字幕JSON：高效提取视频文本内容

1. 为什么需要解析剪映字幕JSON文件每次做视频剪辑的时候最头疼的就是处理字幕。剪映的智能字幕识别确实好用准确率也高但要把这些字幕一条条复制出来再整理成文档简直能把手累断。我做过一个20分钟的教学视频光复制粘贴字幕就花了半个多小时效率实在太低。后来我发现剪映其实把所有字幕信息都保存在了一个叫draft_content.json的文件里。这个文件本质上是个结构化的JSON数据里面包含了视频的所有字幕内容。如果能用Python把这个文件解析出来不就能自动提取所有字幕了吗这样既省去了手动复制的麻烦又能保证文本的完整性和准确性。实际测试下来这个方法比用语音识别软件转写视频内容要靠谱得多。因为剪映的字幕是经过人工校验的准确率接近100%。而且JSON文件里还保留了字幕的时间轴信息这对后期做字幕校对或者制作双语字幕都特别有用。2. 剪映字幕JSON文件结构解析要解析剪映的JSON文件首先得搞清楚它的数据结构。我打开过几十个不同视频生成的draft_content.json文件发现它们的结构基本一致。最外层是一个包含materials字段的对象materials里面又有个texts数组每条字幕都作为一个对象存放在这个数组里。每条字幕对象中最关键的是content字段它包含了实际的字幕文本。不过这个文本被包裹在一堆XML标签里看起来像这样font id path...color(...) size5.000000这是示例字幕/size/color/font除了content字段每条字幕还包含了其他有用的信息start字幕开始时间毫秒end字幕结束时间毫秒position字幕在画面中的位置坐标font_size字体大小理解这个结构后我们就能有的放矢地编写解析脚本了。重点是要先提取content字段然后再处理里面的XML标签。3. 编写Python解析脚本下面这个脚本是我经过多次优化后的版本不仅能提取纯文本还能保留时间轴信息import json import re def parse_jianying_json(json_file): with open(json_file, r, encodingutf-8) as f: data json.load(f) subtitles [] for text in data[materials][texts]: # 提取原始内容 raw_content text[content] # 使用正则表达式去除XML标签 clean_text re.sub(r[^], , raw_content) # 获取时间信息 start_time text.get(start, 0) end_time text.get(end, 0) subtitles.append({ text: clean_text, start: start_time, end: end_time }) return subtitles if __name__ __main__: results parse_jianying_json(draft_content.json) for sub in results: print(f[{sub[start]}ms - {sub[end]}ms] {sub[text]})这个脚本做了几件事读取并解析JSON文件遍历所有字幕条目用正则表达式清理XML标签提取时间信息输出结构化的字幕数据相比原始文章中的脚本这个版本更加健壮能处理各种特殊情况比如标签格式变化或者缺少某些字段的情况。4. 脚本使用技巧与优化建议在实际使用中我发现有几个技巧特别实用批量处理多个文件如果需要处理多个视频的字幕可以修改脚本支持批量处理import glob for json_file in glob.glob(*.json): subtitles parse_jianying_json(json_file) # 保存到单独的文件 with open(f{json_file}_subtitles.txt, w, encodingutf-8) as f: for sub in subtitles: f.write(f{sub[text]}\n)处理特殊字符有时候字幕里会有HTML实体字符如 可以添加解码处理from html import unescape clean_text unescape(clean_text)性能优化对于超长视频比如2小时以上的课程JSON文件可能很大。这时可以用ijson库来流式处理避免内存不足import ijson def parse_large_json(json_file): subtitles [] with open(json_file, rb) as f: texts ijson.items(f, materials.texts.item) for text in texts: # 处理逻辑同上 pass return subtitles错误处理增加健壮性检查防止程序崩溃try: data json.load(f) except json.JSONDecodeError as e: print(fJSON解析错误: {e}) return []5. 实际应用场景扩展这个技术除了提取字幕文本还能做很多有趣的事情自动生成视频字幕文件可以把解析出的字幕转换成SRT或者ASS格式方便在其他播放器中使用def to_srt(subtitles, output_file): with open(output_file, w, encodingutf-8) as f: for i, sub in enumerate(subtitles, 1): # 转换毫秒为SRT时间格式 start ms_to_srt_time(sub[start]) end ms_to_srt_time(sub[end]) f.write(f{i}\n{start} -- {end}\n{sub[text]}\n\n)视频内容分析通过分析字幕文本可以统计视频中的关键词频率了解视频的主要内容。多语言字幕制作提取的字幕可以方便地导入翻译工具制作双语字幕。我经常用这个方法来制作英文教学视频的中文字幕。视频内容检索把多个视频的字幕提取出来后建立索引就能快速搜索到包含特定内容的视频片段。这对管理大量教学视频特别有用。6. 常见问题与解决方案在长期使用过程中我遇到过不少问题这里分享几个典型的问题1JSON文件找不到解决方案剪映的草稿文件默认保存在以下路径Windows:C:\Users\[用户名]\AppData\Local\JianyingPro\User Data\Projects\com.lveditor.draftMac:/Users/[用户名]/Movies/JianyingPro/User Data/Projects/com.lveditor.draft问题2XML标签格式变化有时候剪映更新后content字段的XML结构会有些变化。这时需要调整正则表达式或者解析逻辑。建议先用打印语句输出原始内容确认最新的标签结构。问题3字幕顺序错乱如果发现输出的字幕顺序不对可能是因为JSON中的字幕不是按时间顺序排列的。可以添加排序逻辑subtitles.sort(keylambda x: x[start])问题4特殊格式丢失有时候字幕里有加粗、斜体等格式信息这些也保存在XML标签中。如果需要保留这些格式可以修改解析逻辑只移除不需要的标签保留格式标签。7. 进阶技巧与剪映API结合虽然剪映没有官方API但通过分析我们发现可以通过一些方法实现自动化操作自动导出字幕JSON使用Python的pyautogui库可以模拟人工操作实现自动导出字幕import pyautogui import time def auto_export_subtitle(): # 打开剪映 pyautogui.hotkey(win, r) pyautogui.typewrite(jianyingpro) pyautogui.press(enter) time.sleep(5) # 模拟点击操作 pyautogui.click(x100, y200) # 点击视频草稿 pyautogui.click(x300, y400) # 点击字幕按钮 # 更多操作...监控文件夹变化使用watchdog库可以监控剪映草稿文件夹当有新字幕生成时自动触发解析from watchdog.observers import Observer from watchdog.events import FileSystemEventHandler class MyHandler(FileSystemEventHandler): def on_modified(self, event): if event.src_path.endswith(.json): parse_jianying_json(event.src_path) observer Observer() observer.schedule(MyHandler(), path草稿文件夹路径) observer.start()这些技巧需要一定的Python基础但一旦实现就能大幅提升视频制作效率。我在制作每周更新的视频节目时这套自动化流程帮我节省了大量时间。