영어 자막 추출 후 파이썬으로 텍스트 정리하기

영어 자막 추출 후 파이썬으로 텍스트 정리하기

영상이나 영화의 자막을 추출하고 정리하는 과정은 생각보다 간단하게 할 수 있어요. 특히, 파이썬을 이용하면 자막 파일을 쉽게 조작하고 텍스트 데이터를 정리하는 데 큰 도움이 돼요. 이 글에서는 영어 자막을 추출하고 정리하는 방법에 대해 자세히 소개할게요.

자막 파일의 이해

자막은 보통 .srt, .vtt와 같은 파일 형식으로 저장돼요. 이 파일들은 영상의 특정 시간에 맞춰 자막 텍스트를 표시하는 기능을 가지고 있죠. 자막 파일의 기본 구조는 다음과 같아요:

1. 번호
2. 시작 시간
3. 종료 시간
4. 자막 텍스트

예를 들어, .srt 파일의 형태는 아래와 같아요:

2
00:00:04,200 –> 00:00:06,800
I’m doing great, thanks!

이와 같은 형식을 파이썬에서 쉽게 읽어올 수 있어요.

파이썬으로 자막 파일 읽기

파이썬에서는 여러 라이브러리를 통해 자막 파일을 읽고 처리할 수 있어요. 여기서는 pysrt라는 라이브러리를 사용해보겠습니다.

pysrt 설치하기

먼저, pysrt를 설치해야 해요. 다음과 같은 명령어로 설치할 수 있어요:

bash
pip install pysrt


자막 파일 읽기

설치가 완료되면, 아래와 같이 자막 파일을 읽어올 수 있습니다.

subtitles = pysrt.open(‘example.srt’)
for subtitle in subtitles:
print(subtitle.text)

이 코드는 example.srt 파일에 있는 모든 자막 텍스트를 출력합니다.

자막 텍스트 정리하기

자막을 추출한 후, 우리가 원하는 형태로 텍스트를 정리해야 해요. 다음과 같은 절차를 따를 수 있습니다:

1. 자막 텍스트 합치기: 필요한 자막만 남기고 불필요한 부분 삭제.
2. 문장 정리: 문장 끝에 구두점을 추가하고, 문법 오류를 수정.

예를 들어, 다음과 같은 코드를 사용할 수 있어요.

정리된 텍스트 출력

for text in cleaned_subtitles:
print(text)

이 코드는 각 자막의 텍스트를 정리해 리스트에 담아요.

자막 텍스트 예시

정리된 자막의 예시는 다음과 같습니다:

• Hello, how are you?
• I’m doing great, thanks!

이처럼 간단한 코드만으로 자막을 읽고 정리할 수 있어요.

Text Processing과 자연어 처리(NLP)

자막 텍스트는 그 자체로도 유용한 데이터에요. 텍스트 마이닝이나 자연어 처리(NLP)를 적용할 수 있는데, 예를 들어 감정 분석이나 주제 모델링을 통해 더 많은 정보를 추출할 수 있어요.

자연어 처리 라이브러리

파이썬에서는 여러 NLP 라이브러리를 사용할 수 있어요. 여기서는 nltk와 spaCy를 소개할게요.

nltk 설치하기

bash
pip install nltk


텍스트 분석 예시

nltk.download(‘punkt’)
words = word_tokenize(“I’m doing great, thanks!”)
print(words)

이 코드는 주어진 문장을 단어로 분리해요.

주요 포인트 요약

아래는 자막 추출과 정리 과정을 정리한 표입니다:

단계	설명
1단계	자막 파일 읽기
2단계	자막 텍스트 정리
3단계	자연어 처리 분석 적용

결론

이제 자막 파일을 추출하고 파이썬으로 텍스트를 정리하는 방법을 배웠어요. 이 과정을 통해 자막 텍스트를 분석하고 활용할 수 있는 기회를 창출할 수 있습니다. 자막 추출과 정리 작업은 데이터 분석의 첫 걸음입니다. 여러분도 지금 바로 시작해 보세요!

파트너를 찾고 싶거나 궁금한 점이 있으면 언제든지 댓글로 남겨주세요. 여러분의 경험을 공유하고 함께 성장해 나가요!