A02｜退出码 0，但硬盘上只有一个文件：65 集 AI 字幕下载记

比报错危险得多的，是程序报告成功。

这批字幕的下载过程里，叶扬被"成功"骗了两次：一次命令干干净净退出，硬盘上却只有一个字幕文件；另一次三十多集批量拉取一路绿灯，清点时发现少了三集，而平台连一句警告都没给。

上一篇讲完 136 条规则怎么清洗字幕，这一篇往回走一步：那 47762 行字幕，是怎么到硬盘上的。 工具是开源的 yt-dlp（本机版本 2026.08.19），但 B 站这个目标给它备了好几样非标状况。

一、先问字幕在哪：三种形态

动手下载之前，先得搞清楚字幕到底存放在哪。叶扬对本地一个 mp4 跑了 ffprobe，流信息里只有两条：

Stream #0:0 Video: av1 1920x1080
Stream #0:1 Audio: aac 44100 Hz stereo
（没有 subtitle stream）

字幕在世界上只有三种存法，提取工具完全不同：

形态	位置	提取方式
外挂/网络字幕轨	文件之外，平台 API 下发，播放器现场渲染	yt-dlp 直接拉 srt
内封字幕流	容器里独立的 subtitle stream	`ffmpeg -map 0:s` 无损导出
硬烧字幕	画进像素	只能 OCR

B 站的 CC/AI 字幕是第一种：它根本不在 mp4 里，是一条走 API 的独立轨（ai-zh）。所以 ffmpeg 对它无能为力——不是参数不对，是目标不在那儿。

这又是"任务的形状决定工具"：先花两分钟看清数据在哪，省得对着 ffmpeg 调一下午。

二、第一次查询就被骗：未登录的假阴性

装好 yt-dlp，叶扬先按惯例查一眼这集有哪些字幕：

yt-dlp --list-subs "https://www.bilibili.com/video/BV1vewnzqEuA/?p=8"

返回里只有一行 danmaku xml，外加一条警告：Subtitles are only available when logged in。

这里有个高频误判：未登录时 B 站不返回字幕轨清单，这不等于没有字幕。 danmaku 是弹幕——观众发的评论，不是讲课内容。接口的行为是"不给你看清单"，不是"清单是空的"。做过接口的都熟悉这种语义：401 和 404 是两回事，把"没权限看"读成"资源不存在"，后面所有决策全歪。

要看真实清单，必须带登录态。

三、登录态这把钥匙，以及一个等价于密码的文件

yt-dlp 吃 cookie 有两种方式。

第一种是直接从浏览器读：--cookies-from-browser edge。但浏览器运行时会独占锁住 cookie 数据库，叶扬实测五个 msedge 进程在后台挂着，读取直接报 Could not copy Chrome cookie database。注意 Edge/Chrome 默认允许后台常驻，点窗口右上角的 × 不够，要确认任务管理器里进程全部消失——为了下个字幕把浏览器整个关掉，代价也大了点。

第二种、也是最终采用的方式：用 "Get cookies.txt LOCALLY" 一类扩展，在 bilibili.com 页面导出 Netscape 格式的 cookies.txt，用 --cookies cookies.txt 传入。浏览器照常开，互不打扰。

文件到手后只做计数校验，不打印内容：

head -1 cookies.txt        # 应为 # Netscape HTTP Cookie File
grep -c bilibili cookies.txt   # 应有若干行
grep -c SESSDATA cookies.txt   # 必须为 1

SESSDATA 这一条就是登录态本体，等价于账号密码：拿到的人可以直接操作这个 B 站账号。所以纪律有三条：校验只计数不 cat、用完立刻删除、绝不放在会同步网盘的目录里。这和生产环境对待 token 的方式没有区别——凭据的价值和文件名保不保露无关。

带 cookie 再查一次，真正的清单出来了：

Language  Formats
danmaku   xml
ai-zh     srt      ← 有这行，零算力直取

四、合集 A：一条命令，和一次 HTTP 412

第一个目标合集 BV1vewnzqEuA，39 集，每集一小时上下，标题各不相同。这种"正常合集"一条命令就能遍历：

yt-dlp --cookies cookies.txt \
  --skip-download \
  --write-subs --sub-langs ai-zh \
  --sleep-requests 2 \
  -o "%(playlist_index)02d - %(title)s.%(ext)s" \
  "https://www.bilibili.com/video/BV1vewnzqEuA/"

参数没有一个是多余的：

参数	作用	省略的后果
`--skip-download`	只要字幕	把 39 集视频全下下来
`--write-subs`	写出文件	只查不存
`--sub-langs ai-zh`	只要 AI 字幕轨	连弹幕 xml 一起拉
`--sleep-requests 2`	请求间隔 2 秒	大概率吃 412
`-o "%(playlist_index)02d - ..."`	编号+标题命名	文件名对不上集数
合集 URL（不加 `--no-playlist`）	遍历整个合集	只下当前一集

--sleep-requests 2 不是礼貌加分项，是硬约束。叶扬实测连续快速打约 30 个请求后，服务器开始回 HTTP 412 Precondition Failed——风控的明确信号：你不像人，像脚本。加上两秒间隔，三十多集约两分钟跑完，字幕总体积只有 2–3 MB。

跑完第一次清点，怪事来了：39 集，只产出 36 个 srt，缺 02、04、27。

命令全程没报错。怎么办？逐集单查：

yt-dlp --cookies cookies.txt --no-playlist --list-subs \
  "https://www.bilibili.com/video/BV1vewnzqEuA/?p=2"

三集查完，清单里真的没有 ai-zh——是平台本身没给这三集跑字幕，yt-dlp 静默跳过了。下载失败和资源不存在，必须用独立查询区分开，否则你会把平台的缺口当成自己的故障，反复重跑一个永远不会成功的命令。

五、合集 B：退出码 0，文件只有一个

真正的主菜是第二个合集 BV1DBto6DEvY。命令几乎一样，跑完终端一片祥和，退出码 0。叶扬去目录里一看——

只有一个文件：NA - 印度佛教史.ai-zh.srt。

NA 是 yt-dlp 取不到 playlist_index 时的占位符。意思是：合集遍历根本没生效，工具把整个链接当成单个视频处理，下了一轨字幕，然后报告成功。

先证明它确实有 29 集

"会不会这链接本来就只有一集？"不能凭感觉，得找独立证据。用 yt-dlp 查各分 P 的时长：615.3 秒、1025.0 秒、542.2 秒、430.9 秒——四个 ?p=N 拿到四个不同时长，铁证是多 P。

那总共有多少 P？匿名访问合集稿件接口返回 code:62002（稿件不可见），拿不到分页清单。叶扬的探法是带着 cookie 二分探测边界：依次试 p=5、8、12、16、24、32，p29 成功、p30 失败——29 集，确定。这和调试时二分定位回归区间是同一个动作：边界未知，就用对数次查询把它夹出来。

同名，是第二个坑

就算让遍历生效，29 个分 P 的标题还完全相同，都叫"印度佛教史"。输出模板里的 %(title)s 无法区分它们，文件互相覆盖——一个文件名被写 29 遍，最后只剩一集内容。

最终解法：绕开合集遍历，shell 循环逐集直打 ?p=N，编号用 printf '%02d' 手动注入：

for p in $(seq 1 29); do
  n=$(printf '%02d' "$p")
  yt-dlp --cookies cookies.txt --no-playlist --skip-download \
    --write-subs --sub-langs ai-zh --sleep-requests 2 \
    -o "$n - %(title)s.%(ext)s" \
    "https://www.bilibili.com/video/BV1DBto6DEvY/?p=$p"
done

两个关键开关：--no-playlist 强制把每个 URL 当单集处理（配合循环，恰好与合集 A 的用法相反——同一个参数，两种场景，方向完全反过来）；两位序号解决同名覆盖。跑完 29 个文件齐全，抽查内容各不相同：01 集 219 条 cue、15 集 297 条、29 集 292 条。

整条决策链画成图：

%%{init: {'theme':'dark','themeVariables':{'background':'#0d1117','primaryColor':'#1f6feb','primaryTextColor':'#ffffff','primaryBorderColor':'#79c0ff','secondaryColor':'#21262d','tertiaryColor':'#30363d','lineColor':'#8b949e','textColor':'#e6edf3','clusterBkg':'#161b22','clusterBorder':'#58a6ff','edgeLabelBackground':'#21262d','fontSize':'#15px'}}}%%
flowchart TD
    A["拿到 B 站合集链接"] --> B["带 cookies.txt 查 --list-subs"]
    B --> C{"清单里有什么？"}
    C -->|"只有 danmaku + 登录警告"| Z["没有 AI 字幕<br/>走 ASR 支线：抽音频→语音识别"]
    C -->|"有 ai-zh"| D{"分 P 标题能区分吗？"}
    D -->|"标题各异"| E["合集 URL 一条命令遍历<br/>--sleep-requests 2"]
    D -->|"29 集全同名"| F["for 循环逐集 ?p=N<br/>--no-playlist + printf 编号注入"]
    E --> G["验收：文件数 / cue 数 /<br/>末尾时间戳 对 视频时长"]
    F --> G
    G -->|"缺集"| H["逐集 --list-subs 单查"]
    H -->|"平台缺轨"| I["登记缺口，无法补救"]
    H -->|"轨还在"| E
    G -->|"全绿"| J["65 个 srt 入库<br/>接 A01 的 136 条规则清洗管线"]

六、验收：报成功不等于下全

两次"假成功"教会叶扬一件事：批量下载必须带验收，而且验收数据要来自独立于下载工具的源头。

每集的检查有两项：cue 条数、最后一条 cue 的末尾时间戳。后者要对得上视频实际时长：

for f in *.srt; do
  printf "%s | %s 条 | 末尾 %s\n" \
    "$f" \
    "$(grep -c ' --> ' "$f")" \
    "$(grep ' --> ' "$f" | tail -1 | cut -d' ' -f3)"
done

以第 8 集为例：939 条 cue，末尾 00:56:15,150，视频时长 56:18——差三秒，完整覆盖。

但这里有个反向陷阱：末尾时间戳"偏早"不一定是截断。A 合集的 25、28 集本身就短，只有 15:39、19:43，字幕末尾与时长一致，是完整的短集。判断"截断"之前，你必须先知道视频有多长——这就是为什么验收要引用独立数据源：yt-dlp 自己报的成功不算数，文件自己的末尾时间戳也只能算半个证据，三者对上才闭环。这和写测试一个道理：断言里的期望值不能由被测函数自己生成。

顺带一提，这批字幕后来还查出一个更隐蔽的"元数据级意外"：39 集那套第 25 讲之后是重录版，多集对应前面的内容——这种结构问题只有把语料整体拉通才看得见，细节在 A01 里讲过。

七、旁支：Git Bash、ffmpeg 与中文路径

下载本身没撞上这个坑，但 ASR 支线会，先记下来：在 Git Bash 里让 ffmpeg 处理中文文件名，会报 Invalid argument。原因是 Git Bash 按 UTF-8 传命令行参数，ffmpeg 是原生 Win32 程序，按 ANSI 解码，两边对不上。

绕过办法是临时把文件改成 ASCII 名，处理完再改回来；还原命令前用 ; 不用 &&，保证无论前面成败改名都一定执行。而 yt-dlp 是 Python 程序，走的是宽字符 API，中文路径全程没事——同一个文件名，在不同运行时眼里是两种字节序列，这类问题不搞清原理，重试一百遍也是同样的错。

八、没有 ai-zh 的那 30 集

第三套课程是李元祥《印度佛教史》（BV1dt4y1m7FK，30 集，2020 年前后的老视频）。p1–p4 和 p30 全查过，清单里一律只有 danmaku——平台当年没给它跑 AI 字幕，yt-dlp 这条路彻底走不通，只剩自己做语音识别：

引擎	适用场景
faster-whisper	有 N 卡首选，比原版快约 4 倍
whisper.cpp	纯 CPU，Windows 有预编译 exe，无 Python 依赖
m-bain/whisperX	要词级时间戳/说话人分离
FunASR（SenseVoice）	中文讲座，标点与识别常优于 whisper

抽音频用 ffmpeg 转 16kHz 单声道 wav 即可。另有一个针对术语课的关键技巧：把"补特伽罗""犊子部""摩揭陀"这类词喂给引擎当热词（whisper 系用 --initial_prompt/hotwords，FunASR 用热词表），识别率会肉眼可见地好一截——巧的是，那套课的下载清单里每集标题本身就是现成的术语表。

这场仗还没真打（本机是 CPU 环境，大概率走飞书妙记或 whisper.cpp），所以这篇只给地图，不写战报。

急诊室

HTTP Error 412：请求太勤被风控。加 --sleep-requests 2，已经被拦就停几分钟再继续。
Could not copy Chrome cookie database：浏览器锁着 cookie 库。完全退出浏览器进程，或改用扩展导出的 cookies.txt。
Subtitles are only available when logged in：cookie 缺失或过期，重新导出。
只得到一个 NA - xxx.srt 还报成功：同名分 P，合集遍历失效。上 --no-playlist 循环加 printf %02d 编号。
文件数比集数少：逐集 --list-subs 单查，先分清是平台缺轨还是下载失败——别为重不了的东西写重试。
cue 末尾时间戳偏早：先查视频真实时长再下结论，短集不是截断。
ffmpeg Invalid argument（中文路径）：Git Bash 与原生 Win32 的编码错位，临时 ASCII 文件名绕过；yt-dlp 不受影响。

写在最后

退出码 0 是程序能给出的最便宜的承诺。它只说"我这边没出错"，从来没说"你要的东西齐了"。

这一趟下载里真正值钱的动作，没有一个是 yt-dlp 替叶扬做的：识别假阴性、二分探出 29 集边界、发现同名覆盖、拿视频时长反查字幕完整性。工具负责搬字节，人负责定义什么叫"完成"。

等那 30 集老课的语音识别真跑完，A03 再交 ASR 支线的战报。

说明：课程字幕仅供个人学习使用，不发布、不再分发；cookies.txt 用完即删。本文流程对 B 站任何带 AI 字幕的合集都适用，请把节奏放慢，对平台的服务器友好一点。