Python textwrap: как переверстать абзацы расшифровки без склейки говорящих

Сначала проверьте структуру исходника

После переноса из редактора TXT иногда содержит короткие строки фиксированной ширины: одна реплика разбита на несколько физических строк. Для дальнейшего чтения или вставки в другой документ полезно переверстать её под выбранную ширину.

Способ ниже подходит только при ясном соглашении: пустая строка отделяет самостоятельный абзац, обычные переносы внутри него — жёсткая разбивка одной реплики. Если каждый говорящий начинается с новой строки без пустого разделителя, такой код склеит их. Сначала подготовьте границы вручную или выберите другой разбор.

Работайте с отдельной paragraphs.txt, сохранив исходник. Полученную через расшифровку аудио сначала проверьте по говорящим и таймкодам. Автоматическая ширина строк не распознаёт смену участника.

Разделите абзацы до вызова fill

textwrap.fill обрабатывает один абзац и возвращает строку с новыми переносами. Если передать ему весь файл, границы самостоятельных реплик могут исчезнуть. Поэтому учебный код сначала разбивает текст по пустым строкам, а потом обрабатывает каждый блок отдельно.

width=80 задаёт желаемую ширину в символах, а не в пикселях браузера. break_long_words=False и break_on_hyphens=False оставляют длинные слова и дефисные формы целиком. Из-за этого отдельная строка может оказаться длиннее 80 символов — это ожидаемое следствие выбранного правила.

Обычные CRLF и CR в рабочей строке сначала заменяются на LF. Если Вам нужно только унифицировать окончания, используйте отдельную нормализацию переносов. Перевёрстка ниже дополнительно меняет пробелы и внутреннюю разбивку.

Создайте перевёрстанную копию

Сохраните код как rewrap.py рядом с paragraphs.txt и запустите python rewrap.py или python3 rewrap.py. Начните с двух учебных реплик, отделённых пустой строкой, и небольшого width, чтобы изменения были заметны.

from pathlib import Path
from textwrap import fill
import re

text = Path("paragraphs.txt").read_text(encoding="utf-8-sig")
text = text.replace("\r\n", "\n").replace("\r", "\n")
blocks = re.split(r"\n[ \t]*\n+", text.strip())
result = []
for block in blocks:
    paragraph = " ".join(line.strip() for line in block.splitlines())
    result.append(fill(paragraph, width=80,
        break_long_words=False, break_on_hyphens=False))
with Path("paragraphs-wrapped.txt").open(
    "x", encoding="utf-8", newline="\n"
) as saved:
    saved.write("\n\n".join(result) + "\n")
print("Абзацев обработано:", len(result))

В этом примере несколько пустых разделителей сводятся к одному, крайние пробелы строк убираются, а переносы внутри блока становятся пробелами перед новой разбивкой. Поэтому его нельзя называть побайтовым сохранением или применять к форматам с содержательными отступами.

Не используйте такой разбор для SRT, таблицы CSV, кода или списка с зависимыми строками. У этих форматов переносы участвуют в структуре, и простое соединение способно её нарушить.

Проверьте слова и переходы между участниками

Сравните число абзацев и начало каждого блока. Проверьте, что подпись второго говорящего не появилась внутри первого ответа. Отдельно просмотрите длинный термин, дефисную форму, таймкод и последнюю реплику.

Для сравнения старой и новой копии полезен HTML-отчёт difflib. Переносы создадут заметные различия, поэтому читайте спорные фрагменты целиком и проверяйте последовательность слов.

Если в конце физической строки стоит дефис переноса из печатной вёрстки, скрипт не угадает, нужно ли его удалить. «транс-» и «крибация» останутся отдельными частями с пробелом. Такие случаи требуют отдельной проверки, чтобы не повредить настоящий дефис в слове.