fix(bilibili): 改进字幕提取，支持 WBI API 和多语言优先级
- 使用 WBI API 获取字幕信息（支持 AI 字幕） - 优先选择中文字幕（ai-zh > zh-CN > zh-Hans） - 添加硬字幕提取实施计划 - 改进错误处理，静默失败不影响主流程
This commit is contained in:
OpenClaw Agent
@@ -0,0 +1,138 @@
|
||||
# B站硬字幕提取系统 - 实施计划
|
||||
|
||||
**Goal:** 集成硬字幕提取功能到 obsidian-kb，在官方字幕不可用时，使用 PaddleOCR 从视频画面提取硬字幕
|
||||
|
||||
**Approach:** 模块化设计，使用 B站 API 获取视频流，OpenCV 流式读取，PaddleOCR 识别，优先官方字幕，降级硬字幕
|
||||
|
||||
**Estimated Total Time:** 180-240 分钟
|
||||
|
||||
---
|
||||
|
||||
## Checkpoint 1: 环境准备和依赖安装 (20 min)
|
||||
|
||||
- [ ] Task 1.1: 安装 PaddleOCR 依赖 (~10 min)
|
||||
- **Action:** 执行 `pip3 install paddlepaddle paddleocr --break-system-packages`
|
||||
- **Verify:** 运行 `python3 -c "from paddleocr import PaddleOCR; print('✅ PaddleOCR 安装成功')"`
|
||||
|
||||
- [ ] Task 1.2: 验证 PaddleOCR 可用性 (~5 min)
|
||||
- **Action:** 创建测试脚本，测试简单的文本识别
|
||||
- **Verify:** 成功识别测试图像中的文字
|
||||
|
||||
- [ ] Task 1.3: 更新 obsidian-kb requirements.txt (~5 min)
|
||||
- **Action:** 添加 `paddlepaddle>=2.5.0` 和 `paddleocr>=2.7.0` 到依赖列表
|
||||
- **Verify:** 文件更新正确，版本号有效
|
||||
|
||||
---
|
||||
|
||||
## Checkpoint 2: 创建 VideoStreamExtractor 模块 (30 min)
|
||||
|
||||
- [ ] Task 2.1: 创建基础模块结构 (~5 min)
|
||||
- **Action:** 创建 `src/extractors/hard_subtitle_extractor.py`，定义类和基本方法
|
||||
- **Verify:** 文件创建成功，类结构合理
|
||||
|
||||
- [ ] Task 2.2: 实现 B站 API 获取视频流 URL (~10 min)
|
||||
- **Action:** 使用 B站 playurl API 获取视频流，参考 bilibili.py 的实现
|
||||
- **Verify:** 能成功获取测试视频的流 URL
|
||||
|
||||
- [ ] Task 2.3: 实现 OpenCV 流式读取视频帧 (~15 min)
|
||||
- **Action:** 使用 `cv2.VideoCapture` 从 URL 直接读取，按间隔提取帧
|
||||
- **Verify:** 能成功提取 10 帧测试图像并保存
|
||||
|
||||
---
|
||||
|
||||
## Checkpoint 3: 创建 SubtitleDetector 模块 (25 min)
|
||||
|
||||
- [ ] Task 3.1: 实现默认字幕区域定义 (~5 min)
|
||||
- **Action:** 定义底部、居中、顶部等预设区域
|
||||
- **Verify:** 配置正确，区域坐标合理
|
||||
|
||||
- [ ] Task 3.2: 实现自动字幕区域检测 (~15 min)
|
||||
- **Action:** 使用 OpenCV 检测文字密集区域（通过边缘检测或 MSER）
|
||||
- **Verify:** 对测试帧能自动识别字幕位置
|
||||
|
||||
- [ ] Task 3.3: 实现区域缓存机制 (~5 min)
|
||||
- **Action:** 缓存检测结果，避免重复计算
|
||||
- **Verify:** 同一视频只检测一次，后续使用缓存
|
||||
|
||||
---
|
||||
|
||||
## Checkpoint 4: 创建 OCRProcessor 模块 (30 min)
|
||||
|
||||
- [ ] Task 4.1: 集成 PaddleOCR (~10 min)
|
||||
- **Action:** 初始化 PaddleOCR 实例，配置中英文识别
|
||||
- **Verify:** 能成功识别测试图像中的文字
|
||||
|
||||
- [ ] Task 4.2: 实现批量帧识别 (~10 min)
|
||||
- **Action:** 批量处理视频帧，返回识别结果和置信度
|
||||
- **Verify:** 能处理 10 帧图像并返回结果
|
||||
|
||||
- [ ] Task 4.3: 实现结果过滤和清洗 (~10 min)
|
||||
- **Action:** 根据置信度阈值过滤，去除噪声和重复
|
||||
- **Verify:** 低质量结果被过滤，保留高质量识别
|
||||
|
||||
---
|
||||
|
||||
## Checkpoint 5: 集成主流程 (35 min)
|
||||
|
||||
- [ ] Task 5.1: 创建 HardSubtitleExtractor 主类 (~10 min)
|
||||
- **Action:** 协调 VideoStreamExtractor、SubtitleDetector、OCRProcessor
|
||||
- **Verify:** 类结构清晰，职责分离合理
|
||||
|
||||
- [ ] Task 5.2: 实现降级逻辑 (~10 min)
|
||||
- **Action:** 官方字幕为空时，调用硬字幕提取
|
||||
- **Verify:** 测试无官方字幕的视频能正确降级
|
||||
|
||||
- [ ] Task 5.3: 更新 bilibili_extractor.py 集成 (~15 min)
|
||||
- **Action:** 在 BilibiliExtractor 中集成硬字幕提取
|
||||
- **Verify:** 现有功能不受影响，新增功能可用
|
||||
|
||||
---
|
||||
|
||||
## Checkpoint 6: 配置和文档 (20 min)
|
||||
|
||||
- [ ] Task 6.1: 添加配置项 (~10 min)
|
||||
- **Action:** 在 config.yaml 添加 hard_subtitle 配置节
|
||||
- **Verify:** 配置项完整，注释清晰
|
||||
|
||||
- [ ] Task 6.2: 更新文档 (~10 min)
|
||||
- **Action:** 更新 SKILL.md，添加硬字幕提取说明
|
||||
- **Verify:** 文档准确，包含使用示例
|
||||
|
||||
---
|
||||
|
||||
## Checkpoint 7: 测试和验证 (40 min)
|
||||
|
||||
- [ ] Task 7.1: 单元测试各模块 (~15 min)
|
||||
- **Action:** 测试视频流提取、区域检测、OCR 识别
|
||||
- **Verify:** 每个模块独立测试通过
|
||||
|
||||
- [ ] Task 7.2: 集成测试完整流程 (~15 min)
|
||||
- **Action:** 测试有官方字幕、无官方字幕、有硬字幕三种情况
|
||||
- **Verify:** 各种场景都能正确处理
|
||||
|
||||
- [ ] Task 7.3: 性能优化和调整 (~10 min)
|
||||
- **Action:** 调整截帧间隔、批量大小等参数
|
||||
- **Verify:** 提取速度和准确度达到预期
|
||||
|
||||
---
|
||||
|
||||
## Verification Criteria
|
||||
|
||||
- [ ] 所有 7 个检查点完成
|
||||
- [ ] PaddleOCR 能正确识别硬字幕
|
||||
- [ ] 优先使用官方字幕，降级到硬字幕
|
||||
- [ ] 配置项灵活可调
|
||||
- [ ] 文档完整清晰
|
||||
- [ ] 不影响现有 obsidian-kb 功能
|
||||
|
||||
---
|
||||
|
||||
## Execution Options
|
||||
|
||||
**Plan complete and saved to `memory/plans/bilibili-hard-subtitle-extraction.md`. Two execution options:**
|
||||
|
||||
**1. Single-Agent (this session)** - 我按顺序执行任务，每个检查点汇报进度
|
||||
|
||||
**2. Dispatch Multiple Agents (parallel)** - 派生子代理并行处理独立任务，然后整合结果
|
||||
|
||||
**Which approach?**
|
||||
@@ -447,6 +447,13 @@ class BilibiliExtractor(Extractor):
|
||||
"""
|
||||
提取视频字幕
|
||||
|
||||
支持的字幕类型：
|
||||
1. 官方 CC 字幕（需要 UP 主手动上传）
|
||||
2. AI 自动生成字幕（标记为 ai-zh）
|
||||
3. WebVTT 格式字幕
|
||||
|
||||
注意：硬字幕（嵌入视频画面内）无法提取
|
||||
|
||||
Args:
|
||||
page: Playwright page对象
|
||||
bvid: BV号
|
||||
@@ -457,30 +464,87 @@ class BilibiliExtractor(Extractor):
|
||||
subtitles = []
|
||||
|
||||
try:
|
||||
# 获取 aid
|
||||
aid = await page.evaluate('() => window.__INITIAL_STATE__?.videoData?.aid')
|
||||
if not aid:
|
||||
# 首先通过 API 获取视频信息（包含 cid 和 aid）
|
||||
api_url = "https://api.bilibili.com/x/web-interface/view"
|
||||
response = await page.request.get(api_url, params={'bvid': bvid})
|
||||
|
||||
if not response.ok:
|
||||
return ''
|
||||
|
||||
# API获取字幕信息
|
||||
api_url = "https://api.bilibili.com/x/player/v2"
|
||||
response = await page.request.get(api_url, params={'aid': aid, 'bvid': bvid})
|
||||
data = await response.json()
|
||||
if data.get('code') != 0:
|
||||
return ''
|
||||
|
||||
if response.ok:
|
||||
data = await response.json()
|
||||
if data.get('code') == 0:
|
||||
subtitle_info = data.get('data', {}).get('subtitle', {})
|
||||
video_data = data.get('data', {})
|
||||
cid = video_data.get('cid')
|
||||
aid = video_data.get('aid')
|
||||
|
||||
if not cid:
|
||||
return ''
|
||||
|
||||
# 方法1: 使用 WBI API（推荐，支持 AI 字幕）
|
||||
player_api_url = "https://api.bilibili.com/x/player/wbi/v2"
|
||||
player_response = await page.request.get(player_api_url, params={'aid': aid, 'cid': cid})
|
||||
|
||||
if player_response.ok:
|
||||
player_data = await player_response.json()
|
||||
if player_data.get('code') == 0:
|
||||
subtitle_info = player_data.get('data', {}).get('subtitle', {})
|
||||
subtitles_list = subtitle_info.get('subtitles', [])
|
||||
|
||||
if subtitles_list:
|
||||
subtitle_url = subtitles_list[0].get('subtitle_url', '')
|
||||
# 优先选择中文字幕（包括 AI 字幕）
|
||||
subtitle_item = None
|
||||
for sub in subtitles_list:
|
||||
# 优先级: ai-zh > zh-CN > zh-Hans > 其他
|
||||
lan = sub.get('lan', '')
|
||||
if lan == 'ai-zh':
|
||||
subtitle_item = sub
|
||||
break
|
||||
elif lan in ['zh-CN', 'zh-Hans', 'zh']:
|
||||
if not subtitle_item:
|
||||
subtitle_item = sub
|
||||
|
||||
# 如果没有找到中文，使用第一个
|
||||
if not subtitle_item:
|
||||
subtitle_item = subtitles_list[0]
|
||||
|
||||
if subtitle_item:
|
||||
subtitle_url = subtitle_item.get('subtitle_url', '')
|
||||
if subtitle_url:
|
||||
full_url = f"https:{subtitle_url}"
|
||||
sub_response = await page.request.get(full_url)
|
||||
if sub_response.ok:
|
||||
sub_data = await sub_response.json()
|
||||
subtitles = self._parse_subtitle_json(sub_data)
|
||||
# 如果找到字幕，直接返回
|
||||
if subtitles:
|
||||
lines = []
|
||||
for sub in subtitles:
|
||||
lines.append(f"[{sub['from']} - {sub['to']}] {sub['content']}")
|
||||
return '\n'.join(lines)
|
||||
|
||||
# 方法2: 如果 WBI 失败，使用旧版 API
|
||||
player_api_url = "https://api.bilibili.com/x/player/v2"
|
||||
player_response = await page.request.get(player_api_url, params={'bvid': bvid, 'cid': cid})
|
||||
|
||||
if player_response.ok:
|
||||
player_data = await player_response.json()
|
||||
if player_data.get('code') == 0:
|
||||
subtitle_info = player_data.get('data', {}).get('subtitle', {})
|
||||
subtitles_list = subtitle_info.get('subtitles', [])
|
||||
|
||||
if subtitles_list:
|
||||
subtitle_item = subtitles_list[0]
|
||||
subtitle_url = subtitle_item.get('subtitle_url', '')
|
||||
if subtitle_url:
|
||||
full_url = f"https:{subtitle_url}"
|
||||
response = await page.request.get(full_url)
|
||||
if response.ok:
|
||||
sub_data = await response.json()
|
||||
sub_response = await page.request.get(full_url)
|
||||
if sub_response.ok:
|
||||
sub_data = await sub_response.json()
|
||||
subtitles = self._parse_subtitle_json(sub_data)
|
||||
except Exception as e:
|
||||
# 静默失败，不影响视频信息提取
|
||||
pass
|
||||
|
||||
# 转换为多行字符串
|
||||
|
||||
Reference in New Issue
Block a user