字幕ファイル(.sub)から単語を切り出してみる

はじめに

• 字幕ファイルから単語リストを切り出しておきたい。。。
• そうだ、Command の -w 機能で切り出してみよう

前提

• 対象のファイルは .sub のフォーマット
• .sub の例

{16819}{16850}Yeah, I am.

やってみる

• 単語数

$ cat some_subtitle.sub | awk '{print substr($0,index($0,"}")+1)}' | awk '{print substr($0,index($0,"}")+1)}' | grep -o -E '\w+' | sort | uniq | wc -l
    1602

• 単語表示

$ cat some_subtitle.sub | awk '{print substr($0,index($0,"}")+1)}' | awk '{print substr($0,index($0,"}")+1)}' | grep -o -E '\w+' | sort | uniq
000
1
10
10K
12
12th
13th
157
15th
16
 :
 :
wrong
yeah
year
years
yet
yo
you
young
$

• ファイルに保存

$ cat some_subtitle.sub | awk '{print substr($0,index($0,"}")+1)}' | awk '{print substr($0,index($0,"}")+1)}' | grep -o -E '\w+' | sort | uniq > wordlist.txt

さいごに

• かんたんでしたね