openclaw-skills/memory/plans/bilibili-hard-subtitle-extraction.md

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?