Amazonの字幕（ttml2）をテキストファイルに変換する

ソース

ttml2text.rb

require 'nokogiri'

doc = Nokogiri::parse($stdin.read)

doc.css('p').each do |node|
  line = node.xpath('.//text()').map do |e|
    words = e.text
    words.strip!
    words if words.length > 0
  end.compact.join(" ")
  puts line
end

使い方

bash

ruby ttml2text.rb < インプットttml2 > アウトプット.txt

ソース解説

• Amazonプライムの字幕データはHTMLっぽいXML
• pタグが字幕データそのものなので、css('p') で字幕ノードを取得
• 細かいメタデータを削除したいので、 xpath('.//text()') でテキストノードを取得
• 空白のテキストノードを削除してつなげる
• brとかで区切られたテキストノードは空白でつなげる

ttml2の見つけ方

devtoolsのフィルタ機能でttml2でフィルタする

あとは名前欄をダブルクリックすればダウンロードが始まる（Chromeの場合）。