python - 在带有 utf-8 字符的 Python 中使用 API 下载 YouTube 字幕

Question

我正在使用 Jeff's demo code使用 YouTube API 和 Python 与我的视频的字幕进行交互。我用它来制作我的英文视频效果很好。不幸的是，当我尝试将它用于具有西类牙语自动转录(包含 á¡ 等字符)的视频时，出现编码错误:

UnicodeDecodeError: 'ascii' codec can't decode byte 0xc3 in position 25: ordinal not in range(128)

我的 Python 脚本顶部有 # -*- coding: utf-8 -*- 并且我已将 CAPTIONS_LANGUAGE_CODE 更改为 'es' ，但似乎脚本仍在将其下载的 .srt 文件解释为 ascii 而不是 utf-8。它下载 .srt 文件的行是:

if response_headers["status"] == "200":
  self.srt_captions = SubRipFile.from_string(body)

如何让 Python 将 srt 文件视为 utf-8，这样它就不会抛出编码错误？

谢谢!

Answer 1

看起来这根本不是 Youtube API 问题，而是 Python 问题。请注意，您的错误不是编码错误，而是解码错误；您偶然发现了 Python 的设计工作方式(无论好坏)。 Python 中的许多很多函数会将 unicode 数据转换为 8 位字符串而不是 native unicode 对象，使用\x 和十六进制数来表示大于 127 的字符。(这样的方法之一是您使用的 SubRipFile 对象的“from_string”方法正在使用。)因此数据仍然是 unicode，但对象是一个字符串。因此，当您随后强制转换为 unicode 对象时(通过在您提供的示例代码中使用 unicode 对象的“join”方法触发)，Python 将采用 ascii 编解码器(8 位字符串的默认设置) ，无论数据编码如何)来处理数据，然后在这些十六进制字符上引发错误。

有几种解决方案。

1) 你可以明确地告诉 Python，当你运行你的 join 方法时不要假设一个 ascii 编解码器，但我总是很难做到这一点(并且在每种情况下都这样做)。所以我不会尝试一些示例代码。

2) 您可以放弃 native unicode 对象，只使用 8 位字符串来处理您的 unicode 数据；这只需要您更改此行:

body = u'\n'.join(lines[2:])

对此:

body = '\n'.join(lines[2:])

但是，这种方法有潜在的缺点——同样，您必须确保在每种情况下都这样做；您也不会利用 Python 原生的 unicode 对象(这可能会或可能不会成为您代码后期的问题)。

3) 您可以使用低级“编解码器”模块来确保从一开始就将数据转换为 native unicode 对象，而不是乱用 8 位字符串。通常，您以这种方式完成这样的任务:

import codecs
f=codecs.open('captions.srt',encoding='utf-8')
l=f.readlines()
f.close()
type(l[0]) # will be unicode object rather than string object

当然，使用返回字符串的 SubRipFile 对象会很复杂，但是您可以通过通过 StringIO 对象发送它来解决这个问题(这样编解码器模块可以将翻录的数据视为文件)，使用codecs.encode() 方法等。Python 文档对所有这些都有很好的部分。

祝你好运。