사용자가 유튜브 영상의 내용을 바탕으로 학습하고 싶은 경우 URL을 입력하여 데이터를 얻을 수 있도록 기능추가 자동생성이 아닌 사람이 제작한 자막의 경우에는 오타가 적고 누락되는 내용도 거의 없어 양질의 데이터가 될 수 있음
youtube-transcript-api 활용
- 유튜브 영상의 스크립트 데이터 수집
- 스크립트 정보
- 언어별 스크립트 정보
- 자동 생성 여부
- 자막내용, 시작 시간, 지속시간
- 스크립트 정보
설치 및 임포트
youtube-transcript-api==0.6.3
from youtube_transcript_api import YouTubeTranscriptApi
import re
비디오 ID 추출
- 해당 API는 비디오 ID를 기반으로 작동하기 때문에 별도로 추출하는 로직 필요
def get_video_id(url):
# ?:v= 기본 구조
# \/ 축소형
# {11} 11자 구조
video_id_pattern = r"(?:v=|\/)([0-9A-Za-z_-]{11})"
match = re.search(video_id_pattern, url)
if match:
return match.group(1)
return None
스크립트 추출
languages=['ko', 'en', 'en-US']: 우선으로 찾을 언어 설정en-US: 미국의 일부 영상에서en과 구별하여 등록
- 텍스트 부분만 추출하여 반환
def get_script(video_id):
# 텍스트, 시작 시점, 자막 지속시간 딕셔너리 구조
subtitle = ''
transcription = YouTubeTranscriptApi.get_transcript(video_id, languages=['ko', 'en', 'en-US'])
for content in transcription:
subtitle += f'{content['text']} \n'
return subtitle