在上一篇大模型辅助总结的文章中，笔者提出两个问题：

1. 手动操作过于麻烦，希望能够添加爬虫实现一键拉取功能
2. 部分 B 站视频没有相应的字幕，或者音频模糊，导致文本出现偏差的问题。

今天笔者对问题一实现了脚本修正：

首先为了模块清晰，笔者对之前的脚本进行了分文件处理，同时添加了自动爬取的模块，现在的代码架构如下：

原来的一个文件被分为了四个：

[Bili_ai_fast_get]
    deepseek_llm.py
    get_subtitle.py
    main.py
    zhipu_llm.py

这里简化了手动从网页中拉取 json 的步骤，转为直接通过输入的链接自动提取 BV 号并解析，获取字幕接口并将提取到的字幕保存到本地文件中。

关键代码如下：

import json
import requests
import re

def fetch_and_save_subtitles(bvnane: str, file_name: str = "content.txt"):
    # 目标网址和请求头
    headers = {
        "Cookie": "",   # 填自己的
        "Origin": "https://www.bilibili.com",
        "User-Agent": ""    # 填自己的
    }

    # 视频的 URL
    pp = "0"
    url = f"https://www.bilibili.com/video/{bvnane}/?spm_id_from=333.1007.tianma.1-2-2.click&vd_source=efbc10526f5fa5642530923cf09ce506&p={pp}"

    # 发送HTTP请求获取页面
    response = requests.get(url, headers=headers)

    # 提取 aid 和 cid
    aid_match = re.findall(r'.*,"aid":(\d+),', response.text)
    cids_match = re.findall(rf'"{bvnane}","cid":(\d+),', response.text)

    if aid_match and cids_match:
        aid = aid_match[0]
        cid = cids_match[0]
        print(f"aid: {aid}, cid: {cid}")

        # 获取字幕接口 URL
        hturl = f"https://api.bilibili.com/x/player/wbi/v2?aid={aid}&cid={cid}"
        print(f"[+]请求字幕接口: {hturl}")

        # 发送第二次请求
        response2 = requests.get(hturl, headers=headers)

        # 提取字幕url
        pattern = r'"subtitle_url":"(.*?)","subtitle_url_v2"'
        match = re.search(pattern, response2.text)

        if match:
            subtitle_url = match.group(1)
            print(f"[+]字幕 URL: https:{subtitle_url}")

            # 请求字幕文件
            uul = f"https:{subtitle_url}"
            responses1 = requests.get(uul, headers=headers)

            # 解析字幕文件数据
            data = json.loads(responses1.text)

            # 提取 content 内容
            contents = [item['content'] for item in data['body']]

            # 将每一句话写入到文本文件
            with open(file_name, "w", encoding="utf-8") as file:
                for line in contents:
                    file.write(f"{line}\n")
            print(f"[+]已将字幕内容保存到 {file_name} 文件。")
            return file_name
        else:
            print("[!]未找到字幕 URL")
            return ""
    else:
        print("[!]未能提取到 aid 或 cid")
        return ""

目前需要完善的部分如下：

1. 实现批量总结。
2. 对音频模糊但是有字幕的视频实现OCR文字识别。
3. 对音频模糊且难以提取字幕的视频尝试修复。
4. 对论文导读类视频的拆解，只提取笔者感兴趣的部分，其他全部丢弃，对接收信息进行提纯。
5. 对过长的内容可能需要进行预处理，节省token的同时，提高大模型提炼的准确度。

下一次讲讲简单的 OCR 功能实现，以及整合过程中的一些问题（等我把问题解决完先）