[Ratkaisu] Tekstintunnistuksella tuotetun tekstitystiedoston virheiden korjaaminen

Olen muuntanut kuvamuotoisen tekstityksen tekstimuotoiseksi Avidemuxilla. SRT-muotoinen tekstitystiedosto on tallennettu kotihakemistooni tiedostonimellä tekstitys.srt. Tekstitys sisältää muunnoksen jäljiltä joitain toistuvia virheitä: rivien alussa on välilyöntejä, pikku-l ja iso I-kirjain ovat paikoin sekoittuneet, joidenkin numeroiden välissä on välilyöntejä vaikka numerot ovat osa samaa lukua, ja lainausmerkin (“) tilalla on kaksi heittopilkkua (‘ ‘).

#!/bin/sed -f
s/^\ *//

Lataa leading_blank.sed (24 tavun komentojonotiedosto)

#!/usr/bin/gawk -f

BEGIN { FS = "" }
{
  previous = ""
  for (i = 1; i <= NF; i = i + 1) {
    if ($i ~ /I/) {
      if (previous ~ /[[:lower:]]/) {
        printf("l")
        previous = "l"
      } else if (i == 1) {
        printf("%s",$i)
        previous = $i
      } else if ((previous ~ /-/) && (i == 2)) {
        printf("%s",$i)
        previous = $i
      } else if (i < NF) {
        for (j = 1; i + j < NF; j = j + 1) {
          if ($(i+j) ~ /[[ \n]]/) {
            j = NF
            break
          } else if ($(i+j) ~ /[[:lower:]]/) {
            break
          }
        }
        if (i + j < NF) {
          printf("l")
          previous = "l"
        } else {
          printf("%s",$i)
          previous = $i
        }
      } else {
        printf("%s",$i)
        previous = $i
      }
    } else {
      printf("%s",$i)
      previous = $i
    }
  }
  printf("\n")
}

Lataa mixed_verticals.gawk (756 tavun komentojonotiedosto)

#!/bin/sed -f
s/\([[:digit:]]\) \([[:digit:]]\)/\1\2/g

Lataa blank_between_numbers.sed (56 tavun komentojonotiedosto)

#!/bin/sed -f
s/''/"/g

Lataa double_single_quotes.sed (24 tavun komentojonotiedosto)

Tämän jälkeen teen komentojonotiedostoista suoritettavia seuraavalla komennolla:

cd ~/bin && chmod +x blank_between_numbers.sed leading_blank.sed \
mixed_verticals.gawk double_single_quotes.sed

Lopuksi käytän kaikkia komentojonoja tekstitystiedostoon sen korjaamiseksi, seuraavasti:

cat ~/tekstitys.srt \
| leading_blank.sed | mixed_verticals.gawk \
| blank_between_numbers.sed | double_single_quotes.sed \
> ~/korjattu-tekstitys.txt

Tämän jälkeen kotihakemistossani oleva korjattu-tekstitys.txt -niminen tiedosto sisältää tekstityksen, jossa alkuperäisessä olleet virheet on korjattu.