在 Python 中使用 utf-8 字符的 API 下载 YouTube 字幕

Question

我正在使用 Jeff's demo code 来使用 YouTube API 和 Python 与我的视频的字幕进行交互。而且我的英语视频效果很好。不幸的是，当我尝试将它与具有西班牙语自动转录的视频一起使用时，其中包含 á¡ 等字符，我收到编码错误：

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 -*-，我已将 CAPTIONS_LANGUAGE_CODE 更改为 'es'，但似乎该脚本仍在将其下载的 .srt 文件解释为 ascii 而不是 @987654330 @。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，这样它就不会引发编码错误？

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 的工作方式（无论好坏）。 Python 中的很多很多函数会将 unicode 数据转换为 8 位字符串而不是原生 unicode 对象，使用带有十六进制数字的 \x 来表示大于 127 的字符。（一种这样的方法是 SubRipFile 对象的“from_string”方法） '正在使用。）因此数据仍然是 unicode，但对象是字符串。因此，当您随后强制转换为 unicode 对象（通过在您提供的示例代码中使用 unicode 对象的 'join' 方法触发）时，Python 将采用 ascii 编解码器（8 位字符串的默认值） ，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) 您可以明确告诉 Python，当您运行 join 方法时不要假设使用 ascii 编解码器，但我总是在努力做到这一点（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) 您可以放弃本机 unicode 对象，而只使用 8 位字符串来处理您的 unicode 数据；这只需要你改变这一行：

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

到这里：

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

不过，这种方法也有潜在的缺点 -- 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在您的代码中成为问题）。

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本机 unicode 对象，而不是使用 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，但您可以通过 StringIO 对象发送它来解决这个问题（因此编解码器模块可以将抓取的数据视为文件），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。