視訊與字幕·字幕工具包
瀏覽器如何解析 SRT 檔案：區塊、索引、時間碼和文字
· 工作原理
字幕 srt 檔案格式
SRT 看起來微不足道，直到您遇到真正的檔案。這篇文章將介紹解析器如何分割區塊、讀取索引和時間碼、處理多行文字以及從實際檔案包含的格式錯誤的區塊中復原。
檔案“看起來不錯”，但缺少一半線索——看似寬鬆的格式如何隱藏嚴格的期望
SRT 沒有規格主體，沒有 MIME 註冊，也沒有播放器隨附的驗證器。相反，存在的是大多數軟體都同意的形狀：一個數字、一個時間碼行、一行或多行文字，然後是一個空白行。由於形狀是常規的而不是指定的，因此兩個檔案在文字編輯器中看起來都是正確的，但只有其中一個加載，失敗通常是無聲的。無法讀取提示的玩家往往會跳過它而不是報告它，因此帶有損壞區塊的檔案會出現間隙而不是錯誤。
因此，解析器有兩個相反方向的工作。它必須接受真實檔案包含的變化，因為檔案是由轉錄服務、手動編輯和格式轉換器產生的，每個服務都做出不同的假設。它還必須拒絕會在錯誤時間發出提示的讀數，因為默默地錯誤的時間戳比報告的故障更糟。
分成區塊－作為分隔符號的空白行以及雜散空白和 CRLF 的麻煩
分割發生在空行上，而不是索引號碼。解析器首先規範行結尾，用單一換行符號取代 CRLF 對和單獨的 CR，因為在 Windows 上編寫並在 Unix 上編輯的檔案可以包含這兩者。然後它會分割成兩個或多個換行符，修剪每個結果區塊並丟棄空的區塊。這種順序很重要：在標準化之前進行分割會在時間碼行的末尾留下雜散的回車符，然後時間碼將無法匹配。
位元組順序標記在這之前被剝離。檔案開頭的 UTF-8 BOM 是三個字節，天真的解析器將其視為第一個索引號的一部分，這足以使第一個提示在後面的每個提示解析時不可讀。空白分隔行上的尾隨空格由修剪處理，因此空白行包含空格的檔案仍可正確分割。
索引行－為什麼數字經常是錯誤的、重複的或缺少的，以及為什麼解析器不應該信任它們
索引號被讀取然後被忽略。真實檔案編號提示從零開始，合併後重新編號，手動編輯後複製數字，或在轉換器寫入檔案時完全省略該行。信任這些數字意味著繼承每一個錯誤，因此解析器會分配自己的序號，計算迄今為止已成功建構的線索。
這個選擇也解釋了為什麼解析器從不要求索引行存在。它透過在區塊中搜尋包含箭頭的第一行來定位時間碼行，而不是假設時間碼是第二行。沒有索引行的區塊會正常解析，而時間碼之前有兩個雜散行的區塊仍然會解析，因為位置不是標識時間碼的內容。
時間碼行 — HH:MM:SS,mmm --> HH:MM:SS,mmm，可容忍的變化和破壞玩家的變化
時間碼行與單一正規表示式進行匹配，並其中的容差是經過深思熟慮的。時間是可選的，因為 WebVTT 允許兩個欄位的讀數並轉換器會發出它。無論檔案聲稱採用哪種格式，都接受逗號或句號作為毫秒分隔符，因為混合分隔符很常見，拒絕它們會導致更多好的檔案失敗而不是壞的檔案。小數位填滿在右側，因此以一位數結尾的提示會被讀取為數百毫秒而不是單位。
兩次閱讀均被拒絕。超過五十九分或秒的欄位將被拒絕而不是攜帶，因為九十秒不是時鐘讀數，通常表示檔案已損壞或轉換錯誤；默默地將其標準化會移動提示。開頭或結尾無法解析的行會產生一個記錄的問題，命名有問題的文字和預期的形狀，並該區塊將被跳過而不是猜測。
文字行－多行提示、格式化標籤以及區塊真正結束的位置
時間碼行之後的所有內容都是提示文字，與換行符重新連接在一起。沒有行數限制，也不會嘗試重排，因此三行提示將保留為三行。這就是空行是承載的原因：它是唯一告訴解析器文字已經結束的東西，這就是為什麼自己的文字包含空行的提示將被讀取為兩個區塊，而後半部將被報告為沒有時間碼。
提示設定與結束時間戳記之間由兩個或多個空格分隔。 WebVTT 允許定位指令（例如對齊和行放置）遵循同一行的結束時間，因此解析器在解析時間戳記之前將它們分開，並將它們保留在提示旁邊。單一空格不是分隔符，它可以防止雜亂的時間碼行遺失其結束時間。
工作範例：解析具有兩個故意錯誤的五個提示檔案 - 強大的解析器恢復什麼以及它標記什麼
取一個五塊檔案，其中塊三的時間碼行已損壞，無法讀取 00:01:75,000 --> 00:01:78,000，而塊四碼在複製和貼上過程中四碼。解析器正常讀取區塊一和區塊二，並將它們編號為一和二。第三塊與時間碼的形狀匹配，但帶有 75 秒欄位，因此它被拒絕並記錄為錯誤的時間戳，命名它無法讀取的行。
塊四根本不包含箭頭，因此它被記錄為沒有時間戳，引用該塊的前四十個字符，以便可以在原始檔案中找到該行。區塊五解析並成為提示三，而不是提示五，因為編號會計算成功的提示。結果是三個可用的提示和兩個具體的、已定位的投訴，而不是第一個故障出現異常並沒有關於第二個故障的資訊。
這不包括 - ASS/SSA 樣式、定位代碼和非字幕文字轉儲到 SRT
這描述了 SRT 以及共享其提示形狀的 WebVTT 部分。它不包括 ASS 和 SSA，它們帶有腳本頭、樣式定義和每個事件的樣式引用，並不能透過在空白行上拆分來讀取。這些格式使用的卡拉 OK 計時、繪圖命令和內聯覆蓋標籤超出了提示和時間碼解析器模型的範圍。
它也不修復文字。貼上到沒有時間碼的檔案中的腳本會產生沒有時間戳的塊列表，該列表可以準確報告，但如果沒有不存在的計時信息，則無法將其轉換為字幕。編碼錯誤是一個單獨的問題：使用錯誤的字元集解碼的檔案會解析為完全有效的提示，但其文字是錯誤的，並任何結構檢查都無法檢測到這一點。
重點：寬鬆解析，嚴格編寫 — 字幕工具包如何讀取混亂的 SRT 並寫回乾淨的內容
工作規則是寬解析、嚴書寫。在進入過程中，接受可選的時間、分隔符號、缺少索引行、混合行結尾和前導位元組順序標記，並將每個錯誤記錄為已定位問題，而不是拋出第一個錯誤，因此可以一次修復檔案。在退出時，發出一種規範形狀。
這就是字幕工具包在轉換時所做的事情。提示從 1 開始重新編號並保持連續，時間戳以 SRT 的逗號和 WebVTT 的句號重新發出，返回的檔案是玩家期望的形狀，無論輸入多麼不規則。將玩家拒絕的檔案貼到轉換器中，並首先閱讀報告的問題；他們命名提示並引用台詞，這通常足以找到原作中的錯誤。