Python脚本处理标注文件和音频匹配个数问题

引题

在语音标注过程中，涉及大量的语音标注，尤其是有多人分工进行时，难免会出现很多不匹配的文件，标注类的文件（通常为*.TextGrid），和音频类（通常为*.wav），当两者出现个数不匹配的时候，无论是后期使用脚本提取参数，和运行某些工程类的模型，都会引起报错。

本文针对Python初学者，提供一个简单的脚本，检查两类文件（不限于上述两类，脚本可用于其它的扩展名的两类文件）的不匹配状况。主要目的还是学习一下基本的检查目录里的文件的操作，适用于Python学习者熟悉该方法。

数据说明

首先，我们有两个目录，分别放了两类文件，当然这两类文件也可以在一个目录里。一类是TextGrid，一类是wav，

\sample_TextGrid
000001.TextGrid
000002.TextGrid
000004.TextGrid
000005.TextGrid
000006.TextGrid

\sample_wav
000001.wav
000002.TextGrid
000002.wav
000003.wav

我们设置了两个目录，一个目录里是5个TextGrid文件，一个目录里是3个wav文件和一个TextGrid文件，要完成的任务是：

1. 找出两个目录里共同的文件，比如000001.TextGrid和000001.wav；
2. 找出第一个目录里有，第二个目录里没有的文件；
3. 找出第二个目录里有，第一个目录里没有的文件；
4. 以上三种类型可以分别保存在一个结果目录里吗？
5. 注意第二个目录有一个干扰项，000002.TextGrid，是否能避开？

代码说明

无论这两类文件是在一个文件夹里，还是在两个文件夹里，我们都是先获得这两类的文件列表，注意我们设置了文件扩展名的变量，如果你是想检查比如.txt和.mp3的对应关系，可相应的修改check_dir1_ext和check_dir2_ext两个位置，这样也避开了第二个目录里的干扰项。

input_check_dir1 = r'sample_textgrid'
check_dir1_ext = '.TextGrid'
input_check_dir2 = r'sample_wav'
check_dir2_ext = '.wav'
check_list1 = [ls[:ls.find('.')] for ls in os.listdir(input_check_dir1) if ls[ls.find('.'):] == check_dir1_ext]
check_list2 = [ls[:ls.find('.')] for ls in os.listdir(input_check_dir2) if ls[ls.find('.'):] == check_dir2_ext]

代码里也增加了详细的说明，可查看代码。最后运行之后，我们得到了几个目录和一个log文件：

sample_textgrid_only  这个目录是第一个目录里有，第二个目录里没有的文件
sample_textgrid_save_all  这个目录是两个目录里共同的文件
sample_wav_only  这个目录是第二个目录里有，第一个目录里没有的文件
sample_textgrid_checked_result.txt 这个文件里记录了以上三类文件的个数

有兴趣的学习者也可以将所有要处理的文件放在一个目录里，只通过扩展名区别两类，运行程序试一下。

获取脚本

https://github.com/feelins/Python-linguistics

本文脚本在Part-05/P05_001_check_file_numbers目录里。本站所有脚本都可以在上述github的项目目录里找到，如果日常对代码、脚本操作比较熟练的可通过下载、安装、配置github for windows在自己的电脑上通过git clone将代码下载到本机，这样的好处是可以跟主站及时更新代码。
不想费如此脑筋，可以通过点击如下图Code位置所示，下载整站的代码，可直接使用。

关注

版权说明

1、版权归本公众号“极地语音工作室”，原名“语音处理小站”所有；

2、未经本站或者作者允许， 不得任意转载本文内容，否则将视为侵权；

3、转载或者引用本文内容请注明来源及原作者；

4、对于不遵守此声明或者其他违法使用本站内容者，本人依法保留追究权等。