extract_text_from_subtitle.sh

#!/bin/bash

# 检查是否提供了文件名
if [ "$#" -ne 1 ]; then
  echo "Usage: $0 <filename>"
  exit 1
fi

filename=$1

# 使用sed处理文件
# 1. 删除所有包含 '-->' 的行（时间码）
# 2. 删除空行
# 3. 删除所有以 'WEBVTT'、'Kind:'、'Language:' 开头的行
# 4. 删除所有以 'align:' 开头的行
# 5. 删除所有的标签及其内容
# 6. 删除所有的HTML标签（如果有的话）
sed '/-->/d' "$filename" |
  sed '/^$/d' |
  sed '/^WEBVTT/d' |
  sed '/^Kind:/d' |
  sed '/^Language:/d' |
  sed '/^align:/d' |
  sed 's/<[^>]*>//g' |
  sed 's/<[^>]*>.*<\/[^>]*>//g' |
  sed '/^\s*$/d' |
  uniq >extracted_text.txt
echo "Text extracted to extracted_text.txt"