یک سری از دوره‌های پلورال‌سایت دارای زیرنویس هستند که تحت عنوان
Transcript در کنار آن‌ها قرار گرفته‌اند:
این زیرنویس‌ها فرمت ویژه‌ای دارند:
<li class="transcript-module">
Introduction to ASP.NET MVC 4
<ul>
<li class="transcript-clip" data-p="author=scott-allen&name=mvc4-building-m1-intro&mode=live&clip=0&course=mvc4-building"><a href="javascript:void(0)" onclick="LaunchPlayerWindow('http://pluralsight.com/training', 'author=scott-allen&name=mvc4-building-m1-intro&mode=live&clip=0&course=mvc4-building');">Introduction</a><br />
<div>
<a href="javascript:void(0)" onclick="p(this);" data-s="1.636">Hi, this is Scott Allen and this is the first module in the course design</a>
</div>
</li>
<li class="transcript-clip" data-p="author=scott-allen&name=mvc4-building-m1-intro&mode=live&clip=1&course=mvc4-building"><a href="javascript:void(0)" onclick="LaunchPlayerWindow('http://pluralsight.com/training', 'author=scott-allen&name=mvc4-building-m1-intro&mode=live&clip=1&course=mvc4-building');">Web Platform Installer</a><br />
<div>
...
در آن، هر li که دارای کلاسی به نام transcript-clip است، حاوی یک div می‌باشد و این div دارای تعدادی لینک است. این لینک‌ها توسط ویژگی datas آن‌ها که بیانگر زمان شروع گفتگو است، مشخص می‌شوند و همینطور الی آخر. بنابراین اگر بخواهیم برای آن‌ها ساختاری را تهیه کنیم، به کلاس‌های ذیل خواهیم رسید:
public class TranscriptClip
{
public string Title { set; get; }
public IList<TranscriptItem> TranscriptItems { set; get; }
}
public class TranscriptItem
{
public double StartTime { set; get; }
public string Text { set; get; }
}
هر li دارای کلاس transcript-clip، یک شیء TranscriptClip را تشکیل می‌دهد. هر شیء TranscriptClip می‌تواند داری چندین TranscriptItem باشد.
برای استخراج این اطلاعات، یکی از بهترین ابزارها، کتابخانه
HTML Agility pack است که توسط آن می‌توان به liهای یاد شده دسترسی یافت:
var nodes = doc.DocumentNode.SelectNodes("//li[@class='transcript-clip']/div");
و سپس اطلاعات آن‌ها را استخراج نمود.
using System;
using System.Collections.Generic;
using System.Globalization;
using System.IO;
using System.Linq;
using System.Text;
using System.Text.RegularExpressions;
using System.Web;
using HtmlAgilityPack;
namespace PluralsightTranscripts
{
public class TranscriptClip
{
public string Title { set; get; }
public IList<TranscriptItem> TranscriptItems { set; get; }
}
public class TranscriptItem
{
public double StartTime { set; get; }
public string Text { set; get; }
}
public class ExtractSubtitle
{
public static void ConvertToSrt(string fileName)
{
var transcriptClips = extractItems(fileName);
var itemNumber = 1;
foreach (var item in transcriptClips)
{
transcriptClipToSrt(item, itemNumber);
itemNumber++;
}
}
private static void transcriptClipToSrt(TranscriptClip item, int itemNumber)
{
var count = item.TranscriptItems.Count;
var srtFileContent = transcriptItemsToSrt(item.TranscriptItems, count);
var fileName = removeIllegalCharacters(string.Format("{0}-{1}.srt", itemNumber.ToString("00"), item.Title));
File.WriteAllText(fileName, srtFileContent);
}
private static string transcriptItemsToSrt(IList<TranscriptItem> items, int count)
{
var lineNumber = 1;
var sb = new StringBuilder();
for (int row = 0; row < count; row++)
{
sb.AppendLine(lineNumber.ToString(CultureInfo.InvariantCulture));
sb.AppendLine(getTimeLine(items, count, row));
sb.AppendLine(items[row].Text);
sb.AppendLine(string.Empty);
lineNumber++;
}
return sb.ToString();
}
private static string getTimeLine(IList<TranscriptItem> items, int count, int row)
{
var startTs = TimeSpan.FromSeconds(items[row].StartTime);
var endTs = row + 1 < count ? TimeSpan.FromSeconds(items[row + 1].StartTime) : TimeSpan.FromSeconds(items[row].StartTime + 5);
return string.Format("{0} --> {1}", timeSpanToString(startTs), timeSpanToString(endTs));
}
private static string timeSpanToString(TimeSpan lineTs)
{
return string.Format("{0}:{1}:{2},{3}", lineTs.Hours.ToString("D2"), lineTs.Minutes.ToString("D2"), lineTs.Seconds.ToString("D2"), lineTs.Milliseconds.ToString("D3"));
}
private static string removeIllegalCharacters(string fileName)
{
string regexSearch = string.Format("{0}{1}",
new string(Path.GetInvalidFileNameChars()),
new string(Path.GetInvalidPathChars()));
var r = new Regex(string.Format("[{0}]", Regex.Escape(regexSearch)));
return r.Replace(fileName, ".");
}
private static IList<TranscriptClip> extractItems(string fileName)
{
var htmlContent = File.ReadAllText(fileName);
var results = new List<TranscriptClip>();
var doc = new HtmlDocument
{
OptionCheckSyntax = true,
OptionFixNestedTags = true,
OptionAutoCloseOnEnd = true,
OptionDefaultStreamEncoding = Encoding.UTF8
};
doc.LoadHtml(htmlContent);
var nodes = doc.DocumentNode.SelectNodes("//li[@class='transcript-clip']/div");
foreach (var node in nodes)
{
var itemsList = new List<TranscriptItem>();
var title = node.ParentNode.ChildNodes.First(x => x.Name == "a").InnerText;
foreach (var childNode in node.ChildNodes)
{
if (childNode.Name != "a") continue;
var dataS = childNode.Attributes.First(x => x.Name == "data-s");
itemsList.Add(new TranscriptItem
{
StartTime = double.Parse(dataS.Value),
Text = HttpUtility.HtmlDecode(childNode.InnerText.Trim())
});
}
results.Add(new TranscriptClip { TranscriptItems = itemsList, Title = title });
}
return results;
}
}
}
اگر این اطلاعات را کنار هم قرار دهیم، به کلاس کمکی فوق خواهیم رسید. کار با گره‌های li شروع می‌شود. سپس در این گره‌ها، کلیه گره‌های a یا لینک‌ها، یافت شده و سپس dataS و متن آن‌ها استخراج می‌شوند. اگر این‌ها را نهایتا کنار هم قرار دهیم، می‌توان به فرمت SRT متداول که اکثر پخش کننده‌های فایل‌های تصویری قادر به پردازش آن‌ها هستند، رسید.
فرمت SRT ساختار ساده‌ای دارد. هر گفتگوی آن حداقل از سه سطر تشکیل می‌شود. سطر اول یک شماره خود افزاینده است. سطر دوم زمان شروع و پایان گفتگو را مشخص می‌کند و سطر سوم بیانگر متن گفتگو است. برای مثال:
1
00:00:01,636 --> 00:00:05,616
Hi, this is Scott Allen and this is the first module in the course design
دریافت پروژه کامل این مطلب
PluralsightTranscripts.zip
