vtt文件中的怪异编码-python

Question

我试图从一个字幕文件(vtt格式)获得如下文本：

import requests
r = requests.get('https://nogeovod-fy.atresmedia.com/vsg/sitemap/assets4/2022/09/26/C302281D-5C76-4710-A4FB-9AD7252B7F47/es.vtt')
print(r.encoding)

r.encoding = r.apparent_encoding

print(r.text)

有些字符似乎被遗漏了，因为原来的编码ISO-8859-1不是正确的.然而，当我试图把它改成utf-8时，所有的口音仍然很奇怪.

Answer 1

该文件似乎包含以下替换字符：

• Ćforé
• Žforé
• foró

H 19žfor H 210H 111h 212H 113Č为H 214/code>H 115č为H 216F 217

用它，简单地替换这些一对一的应该可以解决你的问题。我们仍然不知道这是哪种编码，但伤害是有限的。

fixed = r.text.replace("Ć", "á").replace("Ž", "é").replace(
  "Ð", "í").replace("Š", "ó").replace("ž", "ñ").replace(
  "ë", "ú").replace("Č", "¡").replace("č", "¿")