У меня есть файл .srt с таким текстом:
19
00:01:05,100 --> 00:01:08,820
странах, таких как Испания. Еще один фактор для
20
00:01:08,820 --> 00:01:11,850
считается южной оконечностью побережья Испании
21
00:01:11,850 --> 00:01:15,060
Быть так близко к северной Африке могло бы быть
Я нашел этот код, который очень хорошо работает при очистке информации, но этот код оставляет начальные числа (они могут быть от одной до четырех цифр)
результат:
19 стран, таких как Испания. Другим фактором, который следует учитывать, является южная оконечность испанского побережья, 21 столь близкая к северной Африке.
Есть идеи, как убрать цифры?
Это мой код:
<script>
document.querySelector('#files').addEventListener('change', (e) => {
let files = e.target.files,
i = 0,
reader = new FileReader;
reader.onload = (e) => {
//console.info(files[i].name, e.target.result);
var fileName = files[i].name;
var text = e.target.result;
text = text.replace(/WEBVTT[\r\n]/,"");
text = text.replace(/NOTE duration:.*[\r\n]/,"");
text = text.replace(/NOTE language:.*[\r\n]/,"");
text = text.replace(/NOTE Confidence:.+\d/g,"");
text = text.replace(/NOTE recognizability.+\d/g,"");
text = text.replace(/[\r\n].+-.+-.+-.+-.+/g,"");
text = text.replace(/[\r\n].+ --> .+[\r\n]/g,"");
text = text.replace(/.[\r\n]. --> .+[\r\n]/g,"");
text = text.replace(/[\n](.)/g," $1");
text = text.replace(/[\r\n]+/g,"");
text = text.replace(/^ /,"");
var heading = document.createElement('h3');
document.body.appendChild(heading);
heading.innerHTML = "Transcript for '" + files[i].name + "'";
var copyButton = document.createElement('button');
document.body.appendChild(copyButton);
copyButton.onclick = function() {copyToClip(text,fileName); };
copyButton.innerHTML = "Copy transcript";
copyButton.className = "copyButton";
var div = document.createElement('div');
document.body.appendChild(div);
div.className = "cleanVTTText";
div.innerHTML = text;
//console.info(files[i].name, text);
console.info(files[i].name);
if (i++ < files.length - 1) {
reader.readAsText(files[i]);
} else {
console.info('done');
}
};
reader.readAsText(files[i]);
}, false);
function copyToClip(str,fileName) {
function listener(e) {
e.clipboardData.setData("text/html", str);
e.clipboardData.setData("text/plain", str);
e.preventDefault();
}
document.addEventListener("copy", listener);
document.execCommand("copy");
document.removeEventListener("copy", listener);
alert("Copied transcript to clipboard:\n'"+fileName+"'");
};
</script>
Вот пример текста: WEBVTT 1 00:00:00,940 --> 00:00:04,630 Впервые ослы были приручены около 6000 лет назад 2 00:00:04,630 --> 00:00:08,620 назад в Северной Африке и Египте. прежде всего для 3 00:00:08,620 --> 00:00:12,820 их молока и их мяса. А около 2000 лет 4 00:00:12,820 --> 00:00:15,970 назад ослы использовались в качестве тягловых животных, перевозя 5 00:00:15,970 --> 00:00:19,720 шелк из Тихого океана в Средиземное. 6 00:00:19,720 --> 00:00:23,350 по шелковому пути. Это было в обмен на торговлю
@RichieC, я обновляю свою базу ответов на ваш новый пример.
Вместо использования replace
я предлагаю другое решение, используя split
для разделения строки на основе новых строк, а затем вы получаете массив, в котором вы можете построить строку так, как хотите.
let text = `19
00:01:05,100 --> 00:01:08,820
countries such as Spain. Another factor to
20
00:01:08,820 --> 00:01:11,850
consider is the southern tip of Spain's coast
21
00:01:11,850 --> 00:01:15,060
being so close to northern Africa could have`
let newtext = text.split('\n').filter(el => el !== '' && !el.includes('-->') && el.match(/[^A-Za-z0-9\-_]/) );
console.info(newtext);
console.info('Just for example:');
console.info(`${newtext[0]} ${newtext[1]} ${newtext[2]}`);
Ссылка:
Вы можете удалить весь текст, который начинается с необязательной пустой строки, затем строки с одним целым числом и, наконец, одной строки с отметками времени, разделенными «-->» (включая любые завершающие символы новой строки).
Необязательная строка WEBVTT не является частью исходного стандарта crt, но ее можно удалить в том же проходе:
function cleanCrt(text) {
return text.replace(/^(WEBVTT\b.*)?[\r\n]*\d+(?:\r\n?|\n)[\d:,.]* --> [\d:,.]*[\r\n]*/gm, "");
}
const text = `WEBVTT
1
00:00:00,940 --> 00:00:04,630
Donkeys were first domesticated around 6000 years
2
00:00:04,630 --> 00:00:08,620
ago in northern Africa and Egypt, primarily for
3
00:00:08,620 --> 00:00:12,820
their milk and their meat. And around 2000 years
4
00:00:12,820 --> 00:00:15,970
ago, donkeys were used as draft animals, carrying
5
00:00:15,970 --> 00:00:19,720
silk from the Pacific Ocean to the Mediterranean
6
00:00:19,720 --> 00:00:23,350
along the silk route. This was in return for trade [...]
19
00:01:05,100 --> 00:01:08,820
countries such as Spain. Another factor to
20
00:01:08,820 --> 00:01:11,850
consider is the southern tip of Spain's coast
21
00:01:11,850 --> 00:01:15,060
being so close to northern Africa could have`;
console.info(cleanCrt(text));
Для этой проблемы сработало добавление этой строки кода:
text = text.replace(/\n?\d*?\n?^.* --> [012345]{2}:.*$/mg ,"");
Включите образец исходного текста, который нуждается в очистке.