这事儿得从去年夏天说起,那天晚上我瘫在沙发上刷手机，翻到一个叫“365dni”的西瓜视频合集，点进去一看，好家伙，全是外文电影，字幕还是机翻的鬼样子——“我爱你”能翻译成“我苹果你”，我心想，要是能写个Go语言的小工具，把这些视频的中文字幕扒下来，再重新整理翻译一遍，那该多爽？
说干就干,但你也知道，理想很丰满，现实嘛……咱慢慢聊。
西瓜视频的字幕到底藏哪儿了？
首先得搞清楚,西瓜视频的“365dni”视频，字幕文件到底长什么样，我翻了翻以前的老笔记，总结出三种情况：
| 字幕类型 | 存储方式 | 常见格式 |
|---|---|---|
| 内嵌字幕 | 直接压在视频画面里 | 没法单独提取 |
| 外挂字幕 | 同目录下的.srt或.vtt文件 | 文本可读 |
| 流式字幕 | WebVTT通过HTTP实时拉取 | 需要抓包 |
“365dni”这个系列大多是外挂字幕，藏在视频的同一串CDN域名下，命名规则大概是“video_id_zh.srt”这种，用Go写个HTTP客户端，GET一下就能拿到原始文本。
手撸一个Go爬虫，从零开始
第一步：造个“土法”下载器
Go标准库里的net/http包足够用了，我写了个小函数：
func fetchSubtitle(url string) (string, error) {
resp, err := http.Get(url)
if err != nil {
return "", fmt.Errorf("请求失败: %v", err)
}
defer resp.Body.Close()
body, _ := io.ReadAll(resp.Body)
return string(body), nil
}
别笑话我,刚开始就是这样粗暴。你得先能动，再谈优雅。
第二步：解析那些乱七八糟的SRT字幕
西瓜视频的SRT文件格式很标准,但“365dni”的字幕时间戳经常有错乱，比如这句：
1
00:01:23,456 --> 00:01:26,789
I love you.
我爱你.我原来想用正则硬解,结果被各种换行符坑得头晕，后来老老实实按行读取，分三段处理：
- 序号行
- 时间轴行（用
strings.Split切出开始和结束时间） - 字幕文本行（可能有多行，直到空行结束）
用bufio.Scanner逐行读，遇到空行就提交一个完整分片。别图省事用ioutil.ReadAll读完整个文件去正则匹配——50个视频的字幕文件加起来几百KB，单线程还好，量大了准卡死。
第三步：解决“中文字幕乱码”难题
“365dni”的部分早期视频字幕居然是GBK编码的，直接当UTF-8读，出来全是乱码，这时候Go的golang.org/x/text/encoding包就派上用场了：
import "golang.org/x/text/encoding/simplifiedchinese" decoder := simplifiedchinese.GBK.NewDecoder() utf8Bytes, _ := decoder.Bytes(rawBytes)
如果你不想引入额外包,也能用iconv命令行工具调用，但在Windows下还得装环境，太麻烦。我建议直接用go get拉这个官方子包，干净。
进阶玩法：“智能字幕清洗器”
原始字幕拿到手,你会发现“365dni”的视频字幕有三大毛病：
- 重复句：同一句话出现两三次，时间轴还挨着
- 错误断句：把一句话断成两半，显示时中间隔了半秒
- 机翻痕迹：What are you doing?”被翻成“什么你是做？”
我写了个去重逻辑,判断相邻两个字幕的编辑距离（Levenshtein距离），如果相似度超过85%且时间差小于1秒，就合并成一条，Go标准库里没有编辑距离算法，我就自己手写了个二维DP：
func LevenshteinDistance(a, b string) int {
d := make([][]int, len(a)+1)
for i := range d {
d[i] = make([]int, len(b)+1)
d[i][0] = i
}
for j := range d[0] {
d[0][j] = j
}
for i := 1; i <= len(a); i++ {
for j := 1; j <= len(b); j++ {
cost := 1
if a[i-1] == b[j-1] {
cost = 0
}
d[i][j] = min(d[i-1][j]+1, d[i][j-1]+1, d[i-1][j-1]+cost)
}
}
return d[len(a)][len(b)]
}
这函数效率一般,但对于短文本（字幕通常不超过100字符）完全够用。要是想跑几百个视频，建议改成动态规划但只保留两行空间。
为什么选Go而不是Python？
我试过用Python的requests+pysrt库，写起来更短，但有两个痛点：
- Python的并发模型（GIL）让多视频下载效率打折扣
- 打包成exe给别人用,体积动不动就50MB，而Go编译出来就5MB左右
“365dni”这个系列我同时下20个视频的字幕，Go的goroutine配合sync.WaitGroup：
var wg sync.WaitGroup
for _, url := range urls {
wg.Add(1)
go func(u string) {
defer wg.Done()
data, _ := fetchSubtitle(u)
process(data)
}(url)
}
wg.Wait()
速度肉眼可见地快,内存也很稳。
踩坑记录：西瓜视频的反爬和CDN
别高兴太早,抓了十几个视频后，突然开始返回403 Forbidden，原来西瓜视频的CDN有Referer检查，浏览器发请求时带了https://www.ixigua.com，我直接裸请求当然被拦。
解决办法很简单：伪装User-Agent和Referer，我甚至加了Cookie池，模拟登录态，但后来发现“365dni”的大部分视频是公开的，只做Referer检查就够了。
还有个坑——部分字幕文件的CDN链接有时效性，必须先用视频ID拼接出签名URL，这签名算法藏在西瓜视频的前端JS里，我用Go写了个小工具跑github.com/robertkrimen/otto这个JS引擎，在Go里直接执行解密函数。这招挺脏的，但有效。
给字幕加上一点点“人情味”
我还做了个实验——把那些生硬的机翻结果，用Go调用百度翻译API或者微软翻译API重新翻一遍，每次请求之间加time.Sleep(500ms)，免得触发限流，新翻译过来的中文句子流畅多了，“365dni”里那些意大利台词（Ti amo”）总算能正确显示成“我爱你”而不是“钛阿莫”。
不过这事儿得注意翻译API的配额，我免费版额度一天就200万字符，翻50个电影字幕刚好用光。
最终成果长什么样？
跑完整个流程后,本地会生成类似这样的文件结构：
/365dni_subtitles/
├── movie1_cleaned.srt
├── movie2_cleaned.srt
└── log.txt每一条字幕都被清洗过,时间轴对齐，中英文对照，还去掉了那些恼人的“字幕君手滑”错误。你只需要在播放器里加载这个SRT文件，就能享受流畅的中文字幕体验。
一些不算完美的尾声
说实话,这个工具到现在还有bug——比如有些视频的字幕文件乱码到连GBK都救不了，我猜可能是BIG5编码，还有特殊情况：如果视频内置了多条字幕流（一条中文一条英文），我还得手动指定选择哪条。但这些都不妨碍它解决“365dni”视频中文字幕90%的实际问题。
你可能会问,为什么不直接用成熟的字幕下载工具？因为那些工具要么不支持西瓜视频自定义域名，要么解析逻辑过时了，写个Go爬虫最实在——你想改哪儿就改哪儿，全部在自己手里攥着，这种掌控感，就像大夏天喝第一口冰可乐那样，爽得实在。
要是你也遇到“365dni”的字幕问题，不妨自己动手试试，Go语言的编译快、部署简单，一个二进制文件扔到服务器上，跑就是了，唯一要注意的是：别太沉迷抓字幕，该看的视频还是要看。
本文来自作者[kyadmin]投稿，不代表be365立场，如若转载，请注明出处：http://www.hljbesthome.com/fnagchan/1065.html
评论列表（4条）
我是be365的签约作者“kyadmin”！
希望本篇文章《用Go语言写个365dni西瓜视频中文字幕爬虫？这事儿我干过》能对你有所帮助！
本站[be365]内容主要涵盖：be365,be365网站,be365网址,ball365体育,Be365排名
本文概览：这事儿得从去年夏天说起,那天晚上我瘫在沙发上刷手机，翻到一个叫“365dni”的西瓜视频合集，点进去一看，好家伙，全是外文电影，字幕还是...