用DeepSeek API自动翻译SRT字幕：从批量调用到时间轴对齐的完整方案

最近在整理一批老动画的英文字幕资源时遇到一个很实际的痛点手头只有英文字幕想转成中文字幕给家人朋友看如果逐句手动翻译一部 20 多分钟的老番可能要折腾一整天。后来我尝试用 DeepSeek API 做自动化英转中字幕翻译把整个流程拆成“字幕解析 API 批量调用 翻译结果回写”三个环节一部视频的字幕处理时间从几小时压缩到了几分钟。这篇文章就把这套完整的 DeepSeek 字幕翻译流程整理出来。你会学到 SRT 字幕如何解析、为什么字幕翻译需要专门的提示词、DeepSeek API 怎么批量调用以及怎么处理翻译后的时间轴对齐问题。无论你是字幕组新人、视频创作爱好者还是想用大模型 API 做文本批处理的开发者都可以直接参考这套方案。说明本文以动画《恶魔君》1989 版第 29 集的字幕翻译为背景案例重点讲解 AI 辅助字幕翻译的技术流程。文中不包含任何具体字幕文件内容的直接搬运只演示工程实现思路。1. 为什么用 DeepSeek 做字幕翻译1.1 传统字幕翻译的痛点字幕翻译看起来只是“把英文换成中文”但实际上非常琐碎时间轴断句字幕是按时间轴切好的每一条字幕通常只有几秒钟。翻译时如果只翻单句很容易丢失上下文导致人物代词指代混乱。口语化表达动画台词大量使用省略句、语气词、简称常规翻译工具经常翻得生硬。格式要保持翻译后必须保留原始时间轴和序号否则字幕会错位。批量处理难一集动画通常有 400 到 800 条字幕逐条复制到网页翻译工具里操作效率极低。1.2 大模型翻译的优势DeepSeek 这类大语言模型和传统机器翻译相比优势在于能够理解上下文语境而不是逐句孤立翻译。你可以在一次 API 调用中传入一段完整的字幕片段让模型结合前后文进行翻译这样对话的连贯性、人物称呼的一致性都能得到明显改善。另一个优势是可定制性。你可以通过提示词要求模型保持术语统一保留感叹词和语气词根据角色口吻调整翻译风格限制单条字幕的长度所有翻译结果严格按 JSON 格式返回。这些能力正好契合字幕翻译的工程化需求。1.3 DeepSeek API 的适用场景DeepSeek API 目前采用兼容 OpenAI 接口风格的调用方式传输层走 HTTP POST 请求业务层使用 chat completion 格式。对于字幕翻译这类文本生成任务它的使用成本相对可控而且支持较长的上下文窗口可以一次传入多条字幕进行翻译。适合用 DeepSeek API 做的任务包括任务是否适合说明批量字幕翻译✅ 非常适合上下文理解能力强可批量处理字幕断句合并✅ 适合可根据语义判断是否合并字幕配音稿润色✅ 适合能改写自然口播文案术语表构建✅ 适合可按专有名词生成对照表视频实时同传⚠️ 不建议延迟和成本不可控不适合实时场景所以本文的核心定位是“离线批量字幕翻译”这也是当前 AI 辅助字幕生产最实际的落地路径。2. 环境准备与版本说明2.1 准备清单在开始写代码前先确认以下环境Python 3.9 或以上版本推荐 3.10本文示例在 3.10 下测试通过DeepSeek API Key可以到 DeepSeek 开放平台申请Python 依赖库requests一个.srt格式的英文字幕文件可选的增强工具ass格式解析库pysubs2版本需要根据你的项目实际情况调整本文示例以常见环境为例重点演示配置思路。2.2 安装依赖requests是 Python 中非常常用的 HTTP 请求库用来调用 DeepSeek 的 API 接口。如果还没有安装执行pip install requests如果后面的字幕文件是.ass格式也可以安装pysubs2来辅助解析pip install pysubs22.3 获取 API Key登录 DeepSeek 开放平台后在控制台中创建 API Key。需要注意API Key 是敏感凭证不要提交到 Git 仓库建议写入环境变量或者使用本地配置文件管理不同平台的计费规则可能变化具体以官方文档为准。在 Linux / macOS 下可以写入环境变量export DEEPSEEK_API_KEYsk-xxxxxxxx在 Windows PowerShell 下$env:DEEPSEEK_API_KEYsk-xxxxxxxx2.4 字幕文件样例为了演示我们准备一个简化的字幕文件假设已经提取了《恶魔君》第 29 集的英文字幕片段1 00:00:01,000 -- 00:00:04,000 Mephisto, are you listening? 2 00:00:04,500 -- 00:00:08,000 The demon realm is in chaos again. 3 00:00:08,500 -- 00:00:12,000 We need to find the devils key before sunrise. 4 00:00:12,500 -- 00:00:16,000 Dont worry. I have a plan.这一个简化版字幕但结构已经是标准的 SRT 格式了。接下来我们就要写代码解析它。3. 字幕格式解析与还原3.1 SRT 格式结构SRT 字幕格式由多条字幕块组成每块包含三个部分序号从 1 开始递增时间轴起始时间 -- 结束时间字幕文本可能一行也可能多行示例1 00:00:01,000 -- 00:00:04,000 Mephisto, are you listening?注意时间轴中的逗号表示毫秒分隔符例如00:00:04,500表示 4 秒 500 毫秒。3.2 解析 SRT 字幕我们可以用正则表达式来解析 SRT。核心思路是按空行分割字幕块然后提取序号、时间轴、文本。# 文件路径srt_parser.py import re def parse_srt(content): 将 SRT 字幕内容解析为列表。 返回的每个元素是一个字典 { index: 序号, time: 00:00:01,000 -- 00:00:04,000, text: Mephisto, are you listening? } # 按连续两个换行拆分字幕块 blocks re.split(r\n\s*\n, content.strip()) subtitles [] for block in blocks: lines block.strip().split(\n) if len(lines) 2: continue index lines[0].strip() time_line lines[1].strip() text \n.join(lines[2:]).strip() # 简单校验时间轴格式 if -- not in time_line: continue subtitles.append({ index: index, time: time_line, text: text }) return subtitles if __name__ __main__: with open(episode29_en.srt, r, encodingutf-8) as f: content f.read() subs parse_srt(content) print(f共解析到 {len(subs)} 条字幕) print(前 3 条) for sub in subs[:3]: print(sub)这段代码的要点用正则\n\s*\n按空行分割字幕块每块第一行是序号第二行是时间轴剩余行是字幕文本过滤掉不符合格式的无效块。3.3 生成 SRT 文件翻译完成后我们需要把结果写回 SRT 文件。写回时要保持原始序号和时间轴不变只替换文本部分# 文件路径srt_writer.py def build_srt(subtitles): 将字幕列表重新组装为 SRT 格式字符串。 subtitles 中的每个元素是 { index: 序号, time: 00:00:01,000 -- 00:00:04,000, text: 翻译后的文本 } blocks [] for sub in subtitles: index sub[index] time_line sub[time] text sub[text] block f{index}\n{time_line}\n{text} blocks.append(block) return \n\n.join(blocks) \n # 使用示例 if __name__ __main__: subtitles [ { index: 1, time: 00:00:01,000 -- 00:00:04,000, text: 梅菲斯特你在听吗 }, { index: 2, time: 00:00:04,500 -- 00:00:08,000, text: 恶魔界又陷入混乱了。 } ] srt_content build_srt(subtitles) with open(episode29_zh.srt, w, encodingutf-8) as f: f.write(srt_content) print(字幕已写入 episode29_zh.srt)这里要注意写入文件时编码必须使用utf-8否则播放器可能显示乱码SRT 块之间需要有空行分隔保存文件的路径和原文件区分开避免覆盖英文原版。3.4 ASS 格式的扩展思路如果视频使用.ass字幕格式会比 SRT 复杂很多包含样式定义、特效标签等。手动解析成本较高建议直接使用pysubs2库import pysubs2 subs pysubs2.load(episode29_en.ass, encodingutf-8) for line in subs: # line.plain_text 是纯文本内容 print(line.start, line.end, line.plain_text)pysubs2可以同时处理 SRT 和 ASS并且支持时间轴转换。不过本文实战案例以 SRT 为主因为 SRT 结构简单、兼容性好适合用来演示完整的翻译流水线。4. DeepSeek API 调用基础4.1 接口调用方式DeepSeek API 兼容 OpenAI 风格的 chat completion 调用方式。核心是构造一个对话消息列表然后发送给模型接口。# 文件路径deepseek_client.py import requests import os DEEPSEEK_API_KEY os.environ.get(DEEPSEEK_API_KEY, 你的API Key) DEEPSEEK_API_URL https://api.deepseek.com/v1/chat/completions def call_deepseek(messages, modeldeepseek-chat, temperature1.0, max_tokens2048): 调用 DeepSeek API。 messages 示例 [ {role: system, content: 你是一名专业字幕翻译。}, {role: user, content: 请翻译以下字幕} ] headers { Authorization: fBearer {DEEPSEEK_API_KEY}, Content-Type: application/json } payload { model: model, messages: messages, temperature: temperature, max_tokens: max_tokens } try: response requests.post( DEEPSEEK_API_URL, headersheaders, jsonpayload, timeout60 ) response.raise_for_status() data response.json() return data[choices][0][message][content] except requests.exceptions.Timeout: raise RuntimeError(请求超时请检查网络或稍后重试) except requests.exceptions.HTTPError as e: raise RuntimeError(fAPI 返回错误{e}) except (KeyError, ValueError) as e: raise RuntimeError(f解析响应失败{e})这里有几个需要注意的地方接口地址、模型名称都可能随官方更新而变化调用前先查官方文档确认timeout60防止请求卡死通过环境变量读取 API Key不要硬编码在代码里当网络不稳定时需要增加重试机制。4.2 理解 chat completion 的 messages在 chat completion 模型中messages是一个对话历史列表每个元素有三个核心字段字段含义role角色system、user、assistantcontent消息内容name可选发言人名称system用来设定模型的整体行为例如“你是一名专业字幕翻译”user是你的实际请求assistant是模型的历史回复。字幕翻译场景中我们主要用到system和user。4.3 单条字幕翻译示例为了验证 API 通不通可以先翻译一条字幕# 文件路径test_translate.py from deepseek_client import call_deepseek messages [ { role: system, content: 你是一名经验丰富的动画字幕翻译擅长将英文字幕翻译成自然流畅的中文。 }, { role: user, content: 请将下面的英文字幕翻译成中文\nMephisto, are you listening? } ] result call_deepseek(messages) print(result)运行后可能的输出梅菲斯特你在听吗这一步能确认 API Key 是否有效、网络是否连通、模型返回是否符合预期。接下来我们把它扩展到批量字幕翻译。5. 完整实战批量英转中字幕翻译工具5.1 业务分析如果要翻译一集完整的字幕不能把所有字幕一次性塞给模型。原因有两个上下文窗口限制虽然 DeepSeek 支持较长的上下文但一次性塞入 800 条字幕仍然容易超出限制输出不稳定翻译数量越多模型越容易漏掉某些条目或者改变 JSON 结构。因此推荐采用分批翻译策略每批传入 5 到 10 条字幕要求模型以固定 JSON 格式返回翻译结果然后代码解析 JSON把结果写回。5.2 项目结构subtitle-translator/ ├── deepseek_client.py # DeepSeek API 封装 ├── srt_parser.py # SRT 解析器 ├── srt_writer.py # SRT 写入器 ├── translate_srt.py # 批量翻译主流程 ├── episode29_en.srt # 英文字幕文件 └── episode29_zh.srt # 翻译后输出的中文字幕5.3 设计翻译提示词翻译提示词是整个流程的灵魂。同样是 DeepSeek 模型提示词写得好不好翻译质量差距很大。我参考了多种字幕翻译工程的提示词模式整理出一套相对稳定的模板# 文件路径prompts.py TRANSLATION_SYSTEM_PROMPT 你是一名经验丰富的动画字幕翻译专家。 你的任务是将英文字幕翻译成简体中文。 要求 1. 翻译必须自然流畅符合中文口语表达习惯不要逐字直译。 2. 保留人物名称的常见译法专有名词保持一致。 3. 如果原文是疑问句、感叹句中文也需要保留相应的语气。 4. 每条字幕的翻译结果不要超过 40 个中文字符。 5. 只输出 JSON 数组不要输出任何解释。 TRANSLATION_USER_PROMPT 请将下面的英文字幕逐条翻译为简体中文。 字幕内容每条用序号区分 {content} 请严格按以下 JSON 格式返回 [ {{index: 1, translation: 中文翻译1}}, {{index: 2, translation: 中文翻译2}} ] 注意 - index 必须和输入的序号保持一致 - translation 只包含翻译后的中文字幕文本 - 不要省略任何一条字幕 - 不要额外输出 JSON 以外的内容这段提示词的设计思路system层给模型定角色约束输出风格翻译要求里明确规定“自然流畅”“保留语气”“长度限制”输出格式强制为 JSON 数组方便代码解析“不要省略任何一条字幕”可以降低漏译概率。5.4 编写批量翻译主流程批量翻译主流程分四步读取并解析英文字幕按批次把字幕传给 API解析 JSON 返回结果按原始序号回写字幕。# 文件路径translate_srt.py import json import time from srt_parser import parse_srt from srt_writer import build_srt from deepseek_client import call_deepseek from prompts import TRANSLATION_SYSTEM_PROMPT, TRANSLATION_USER_PROMPT BATCH_SIZE 8 # 每批字幕条数 def build_user_content(subtitles): 拼接待翻译的字幕内容。 subtitles 是原始字幕列表中的一个子集。 lines [] for sub in subtitles: idx sub[index] text sub[text] # 如果原字幕有多行合并为一行 text_one_line text.replace(\n, ) lines.append(f[{idx}] {text_one_line}) return \n.join(lines) def parse_translation_response(response_text): 解析模型返回的 JSON 字符串。 返回一个字典{序号: 翻译文本} try: data json.loads(response_text) # 兼容两种格式直接是数组或者嵌套在 result/translations 字段中 if isinstance(data, dict): if translations in data: data data[translations] elif result in data: data data[result] else: data data.get(data, []) result {} for item in data: idx item.get(index) translation item.get(translation, ).strip() if idx is not None: result[str(idx)] translation return result except json.JSONDecodeError: # 如果模型输出了多余的说明文字尝试提取 JSON 数组部分 import re match re.search(r\[[\s\S]*\], response_text) if match: return parse_translation_response(match.group(0)) raise ValueError(无法解析模型返回结果) def translate_srt_file(input_path, output_path): # 1. 读取并解析字幕 with open(input_path, r, encodingutf-8) as f: content f.read() subtitles parse_srt(content) print(f共 {len(subtitles)} 条字幕) # 2. 分批翻译 translated_map {} total_batches (len(subtitles) BATCH_SIZE - 1) // BATCH_SIZE for batch_idx in range(total_batches): start batch_idx * BATCH_SIZE end min(start BATCH_SIZE, len(subtitles)) batch_subtitles subtitles[start:end] user_content build_user_content(batch_subtitles) messages [ {role: system, content: TRANSLATION_SYSTEM_PROMPT}, {role: user, content: TRANSLATION_USER_PROMPT.format(contentuser_content)} ] print(f正在翻译第 {batch_idx 1}/{total_batches} 批...) # 3. 调用 API response_text call_deepseek(messages) batch_result parse_translation_response(response_text) translated_map.update(batch_result) # 避免请求过快触发限流 time.sleep(0.5) # 4. 回填翻译结果 translated_subtitles [] for sub in subtitles: idx sub[index] if idx in translated_map: sub[text] translated_map[idx] else: # 如果某条漏译保留原英文方便人工处理 sub[text] sub[text] \n# 未翻译 translated_subtitles.append(sub) # 5. 写入新字幕 output_content build_srt(translated_subtitles) with open(output_path, w, encodingutf-8) as f: f.write(output_content) print(f翻译完成结果保存到{output_path}) # 统计翻译成功率 success_count sum(1 for sub in translated_subtitles if sub[text] ! sub[text].replace(\n# 未翻译, )) print(f翻译成功率{success_count}/{len(translated_subtitles)}) if __name__ __main__: translate_srt_file(episode29_en.srt, episode29_zh.srt)整个流程是完整可运行的。如果你的字幕文件条数较多可以把BATCH_SIZE适当调小比如 5 条一批因为条目越多模型返回的 JSON 越容易出错。5.5 运行与验证在项目目录下执行python translate_srt.py预期运行过程类似共 6 条字幕 正在翻译第 1/1 批... 翻译完成结果保存到episode29_zh.srt 翻译成功率6/6打开episode29_zh.srt可以看到1 00:00:01,000 -- 00:00:04,000 梅菲斯特你在听吗 2 00:00:04,500 -- 00:00:08,000 恶魔界又陷入混乱了。 3 00:00:08,500 -- 00:00:12,000 我们需要在日出之前找到恶魔之钥。 4 00:00:12,500 -- 00:00:16,000 别担心我有计划。时间轴和序号都保留了这就是我们需要的结果。6. 提示词优化与翻译质量提升6.1 上下文窗口的妙用如果需要翻译的内容前后语义关联很强可以尝试上下文增强方式。也就是在翻译当前批次时把上一批的最后一条或两条字幕也附带传入但标记为参考内容不要求输出翻译。示例请翻译以下 3 条字幕 [4] Dont worry. I have a plan. 同时参考前文不需要翻译 [3] We need to find the devils key before sunrise.这样模型在翻译[4]时知道“plan”指的是寻找恶魔之钥的计划翻译会更准确。6.2 专有名词术语表动画里经常出现固定角色名、地名、魔法术语。可以建议模型使用指定术语表TERMINOLOGY { Mephisto: 梅菲斯特, Demon Realm: 恶魔界, Devils Key: 恶魔之钥 } TERMINOLOGY_PROMPT 翻译时请遵循以下术语对照表 {terms} 如果原文出现这些词请严格使用中文对照。 # terms 的拼装示例 terms_text \n.join(f- {en}: {cn} for en, cn in TERMINOLOGY.items())把这部分追加到系统提示词中模型遇到这些词时会更倾向于使用指定的译法。6.3 防止 JSON 解析失败模型偶尔会输出带解释文字的 JSON例如好的这是翻译结果 [{index: 1, translation: ...}]这种内容用json.loads会报错。我们在parse_translation_response里已经加了正则提取 JSON 数组的逻辑可以有效降低失败率。如果批次总是解析失败建议调小每批条数在用户提示词中再次强调“只输出 JSON”增加重试次数最多重试 2 次第 2 次使用简化提示词单独翻译该批。6.4 翻译质量人工校验自动化翻译完成后建议做一轮人工校验重点检查角色名是否全片统一时间轴有没有错位台词长度是否适合音画同步语气词是否自然。可以用下面的代码统计翻译后的字幕长度快速发现异常长句# 文件路径check_length.py from srt_parser import parse_srt def check_subtitle_length(srt_path, max_len40): with open(srt_path, r, encodingutf-8) as f: subtitles parse_srt(f.read()) issues [] for sub in subtitles: text sub[text].replace(\n, ) if len(text) max_len: issues.append((sub[index], len(text), text)) if issues: print(f发现 {len(issues)} 条超长字幕) for idx, length, text in issues[:10]: print(f[{idx}] 长度{length} 内容{text}) else: print(所有字幕长度正常) if __name__ __main__: check_subtitle_length(episode29_zh.srt, max_len40)“台词过长导致观众看不完”是 AI 翻译字幕最常见的质量问题之一这步检查建议每次都跑一遍。7. 常见问题与排查思路7.1 常见报错对照表问题现象常见原因解决思路Request timeout网络不稳定或请求时间过长增加timeout时间加入重试机制401 UnauthorizedAPI Key 不正确检查环境变量和 Key 是否有效429 Too Many Requests请求频率过高降低批次频率增加 sleep 间隔Invalid JSON模型输出不纯 JSON用正则提取 JSON 数组或减少每批条数翻译结果乱码文件编码不是 UTF-8统一使用utf-8写入用播放器确认编码部分字幕未翻译API 返回漏项记录缺失序号单独补翻译中文太长超出视频画幅没有限制长度在提示词中写死“不超过 40 字”7.2 模型返回漏译怎么办分批翻译时模型偶尔会漏掉中间某条字幕。此时不要重新翻译整批而是单独补翻缺失项# 文件路径retry_missing.py from srt_parser import parse_srt from deepseek_client import call_deepseek def translate_single(sub): 翻译单条字幕。 messages [ {role: system, content: 你是一名动画字幕翻译专家只输出翻译结果。}, {role: user, content: f将下面英文台词翻译成简体中文\n{sub[text]}} ] return call_deepseek(messages).strip() if __name__ __main__: with open(episode29_en.srt, r, encodingutf-8) as f: subtitles parse_srt(f.read()) # 假设发现第 3 条漏译 sub next(s for s in subtitles if s[index] 3) translation translate_single(sub) print(f[{sub[index]}] {sub[text]}\n- {translation})这种“单条补翻”策略比整批重跑成本低很多。7.3 如何提升批量处理速度如果字幕条数很多可以考虑并发请求。但要注意 DeepSeek API 可能有速率限制并发过大容易触发限流。一般建议单批 5 到 8 条串行请求之间 sleep 0.3 到 1 秒如果使用线程池控制最大并发数在 3 到 5 之间加上失败重试机制。7.4 SRT 文件用播放器打开乱码这通常是编码问题。字幕文件必须是 UTF-8 编码而部分 Windows 播放器默认使用 ANSI 读取。解决办法用 VLC 等播放器手动选择字幕编码在生成字幕时写入 BOM 标记提高兼容性转换为 UTF-8 无 BOM 格式后配合播放器调整字幕字体。build_srt写入时如果想让 Windows 下兼容性更好可以这样写# UTF-8 with BOM with open(output_path, w, encodingutf-8-sig) as f: f.write(output_content)8. 最佳实践与工程建议8.1 字幕翻译的工程化规范原文件和翻译文件分开永远不要覆盖英文原版字幕。批次可重入记录每个批次的翻译结果崩溃后从断点继续而不是从头再跑。保留字段完整性回写字幕时最小化修改只替换文本部分。人工抽检即使自动翻译全部成功也应该抽检片头和关键剧情段落。8.2 日志与监控调用 API 时最好加上日志方便定位问题import logging logging.basicConfig( levellogging.INFO, format%(asctime)s - %(levelname)s - %(message)s, handlers[logging.FileHandler(translate.log, encodingutf-8)] ) logger logging.getLogger(__name__) logger.info(开始翻译第 1 批共 8 条字幕)日志中至少记录每个批次的起始时间调用 API 是否成功返回结果的条数和解析状态最终翻译成功率。8.3 成本控制DeepSeek API 按 token 计费批量字幕翻译时成本主要受以下因素影响输入 token传入的英文字幕和提示词输出 token生成的中文字幕和额外说明重试次数失败的请求会浪费 token。控制思路每批只传必要内容不要把所有字幕一次性传入提示词保持精简不要写太多无关背景先拿 50 条字幕试跑估算单集成本再处理全集对失败批次单独重试不要整集重跑。8.4 安全与合规API Key 严格保密使用环境变量管理不要提交到公共仓库字幕翻译仅用于个人学习、备份和已授权内容尊重版权不传播未经授权的资源涉及生产环境或商业应用时先确认字幕内容和素材的版权归属API 调用应遵守平台服务条款和速率限制不要暴力高并发调用。8.5 可扩展方向这套代码框架不只是能翻译字幕还可以扩展为批量字幕翻译 CLI 工具增加命令行参数指定输入输出文件Apache / FFmpeg 自动化流水线翻译完成后自动混流进视频术语库管理把术语表独立为 JSON 文件方便维护多语言支持同一套代码改成中译英、中译日Web 界面使用 Gradio 或 Streamlit 封装成可视化应用方便不懂代码的运营同学使用。9. 总结与学习路线这篇文章我们围绕“用 DeepSeek API 批量翻译 SRT 视频字幕”这个场景完成了从环境准备、字幕解析、API 封装、批量翻译到质量检查的完整闭环。你已经掌握的技能包括SRT 字幕文件的解析和写回DeepSeek API 的 chat completion 调用方式针对字幕翻译场景的提示词设计批量调用时的分批、重试和容错处理翻译结果的 JSON 解析和异常兜底字幕质量的常见问题和检查方法。下一步可以继续深入的方向学习pysubs2处理 ASS 字幕的高级功能包括事件、样式、特效标签结合 FFmpeg 把翻译后的字幕封装到视频中做成一条完整的视频处理流水线自己搭一套术语表管理工具把多部动画的固定译法沉淀下来尝试用 DeepSeek 的上下文能力做前后文连贯翻译进一步提升对话翻译质量。实际项目中我建议你优先关注三件事术语统一、批次容错、字幕长度控制。这三件事直接决定观众看片时的体验。如果只是机械地逐句翻译哪怕用大模型也容易翻出“字面正确、读起来别扭”的台词。最后可以把我整理的这套代码模板保存下来改一改输入文件路径就能直接跑。如果你在调试过程中遇到问题欢迎把你的报错信息和环境发在评论区我们一起把方案完善得更通用。