技术人如何用Python脚本高效整理《老友记》全十季剧本与台词(附资源)
作为一部跨越十年的经典美剧,《老友记》的剧本文本量堪称庞大——全十季共236集,原始剧本文件往往混杂着场景描述、角色对话和中英双语台词。去年我在整理这些资料时,发现手动处理不仅耗时费力,还难以实现高级检索和统计分析。于是我用Python开发了一套自动化处理流程,现在把核心思路和代码分享给同样热爱技术与这部剧集的你。
1. 原始数据预处理:从混乱到结构化
拿到原始剧本文件的第一件事,是观察其文本特征。典型的美剧剧本通常包含以下元素:
- 场景标题(如
第一季第一集 中央咖啡馆) - 角色名称(全大写或首字母大写)
- 对话内容(常含中英文对照)
- 动作描述(括号内的说明文字)
python复制def detect_scene(text):
"""识别场景标题的正则表达式"""
import re
pattern = r'第.季第.集.*'
return re.match(pattern, text)
sample_text = "第一季第一集 中央咖啡馆"
print(detect_scene(sample_text)) # 输出匹配对象
处理这类文本时,建议先建立结构化存储模型。我用SQLite设计了这样的数据库表结构:
| 字段名 | 类型 | 描述 |
|---|---|---|
| season | INT | 季数 |
| episode | INT | 集数 |
| scene | TEXT | 场景描述 |
| character | TEXT | 角色名 |
| dialogue_en | TEXT | 英文台词 |
| dialogue_cn | TEXT | 中文翻译 |
| stage_direction | TEXT | 舞台指示 |
提示:在正式处理前,建议先用小样本测试正则表达式的准确性。我曾因为漏考虑空格字符导致20%的场景未被正确识别。
需要模型API调用? 免费领10W Token,多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心处理流程:文本解析与清洗
实际处理时会遇到几个典型问题:
- 中英文混排的对话分离
- 角色对话与旁白的区分
- 多语言编码问题
这个函数可以高效分离中英文台词:
python复制def spli
