企业官网建设流程全解析

“在最终章，海兰德铁道学院在干什么？”——如果只看原文，这个问题往往要翻几十章内容，把对话、行动、组织决策一点点拼起来。但换个角度，这个问题本质上是一个非结构化文本分析任务：把“学院最终都在做什么”变成可查询、可验证、可批量处理的数据问题。这篇文章不猜剧情，也不下剧情结论，而是用一整套本地可跑的工程管线，把最终章里与“海兰德铁道学院”相关的行为线索抽出来：视频转写、OCR 截图、全文检索、实体关联、本地 LLM 问答。跑通之后，你不仅能回答这个标题，还能把它复用到任何长篇作品、项目文档、会议记录的分析场景。

这套管线完全离线可用，核心组件包括 faster-whisper、PaddleOCR、SQLite、jieba 和 Ollama。它支持 CPU 推理，也支持 GPU 加速；支持单文件测试，也支持批量任务；支持本地接口 API，方便接到自己的工具链里。整条链路不依赖云端服务，不限制输入格式，不绑定具体显卡品牌。对只是想梳理剧情线的内容读者来说，它是把“人肉翻书”变成“代码检索”的辅助工具；对做知识库、文档分析、视频内容归档的开发者来说，它就是一个可以直接改造成业务代码的通用模板。

本文会带读者完成以下内容：先搭好 Python 环境和本地模型服务，再把一本小说、一份字幕或一批视频截图转成纯文本，接着把文本导入 SQLite 做检索，用分词和实体共现判断“学院”与哪些角色、地点、事件高度关联，最后用 Ollama 本地大模型做行为抽取与摘要问答。整个流程会给出可复制的代码示例、接口调用示例和批量任务脚本。

1. 剧情分析的本地管线核心能力速览

在动手之前，先把这套“剧情考据管线”的能力边界说清楚。它不是一个已经训练好的剧情问答模型，而是一组开源工具的组合。下面的表格列出了每个环节使用的工具、输入和输出。

这套方案的重点不是“智能”，而是“可查”。把最终章里所有和“海兰德铁道学院”有关的内容抽出来之后，你会得到一本带时间戳、带来源路径、带上下文引用的小型数据库。后面的分析是基于数据，而不是凭印象。

2. 适用场景与使用边界

先说适合谁。

适合内容研究者、剧情考据爱好者和知识库开发者。假设你要分析一部几十万字的网文或一部几十集的动画，想搞清楚某个学院在最后阶段调动了哪些人物、提出了什么方案、最终结果如何。手动搜索关键词可以得到零散片段，但很难形成时间线。更麻烦的是，同一个学院在不同章节可能有不同称呼，比如“海兰德铁道学院”“海兰德学院”“铁道学院”同时在文本中出现。只用 Ctrl+F 会漏掉很多上下文。

适合需要把视频/音频内容转成文字的人。很多剧情关键信息藏在配音、字幕和闪回画面里。faster-whisper 可以把视频轨里的语音转成带时间戳的文本，PaddleOCR 可以把截图里的台词、公告、信件识别出来。两者合在一起，基本能把最终章的场景文案全部落盘。

适合需要批量处理多个章节或多个作品的人。这个管线支持遍历 input 目录下的所有文件，自动输出到 output 目录。第一次跑通后，后续喂入新文件就行。

再说不适合什么。

不适合用来直接生成“官方剧情答案”。本地模型会根据上下文生成摘要，但摘要带有模型自身理解，和官方设定不是一回事。它只是辅助人判断，不能替代最终的人工复核。

不适合处理未授权的版权内容。如果文本、视频、截图来自平台独占的付费内容，请只用于个人学习笔记，不要公开传播。涉及人脸、声音、实名信息的素材，在使用前必须确认授权范围。这篇文章只讨论技术方法，不鼓励任何绕过版权边界的操作。

3. 本地部署环境准备与前置条件

这套方案的核心运行环境是 Python 3.10+，外加一个 Ollama 本地模型服务。操作系统方面，Windows、Linux、macOS 都可以跑，但语音转写和 OCR 在 Linux 上的 CUDA 环境通常更好配置。

3.1 硬件要求

• CPU：可以跑，建议至少 8 核；在 CPU 上做语音转写会比较慢，但能出结果。
• GPU：有 NVIDIA 显卡且显存足够时，推荐用 GPU 推理；显存占用由模型版本、视频长度、并发数决定，需以本机实测为准。
• 内存：至少 16GB 更稳妥，转写长视频时内存占用会显著上升。
• 磁盘：预留 10GB 以上空间。模型文件、虚拟环境、输出文本都会占空间。

3.2 软件依赖

需要安装：

• Python 3.10 或更高版本
• ffmpeg，用于处理视频/音频流
• SQLite，一般 Python 自带
• Ollama，用于本地 LLM 服务
• Tesseract 或 PaddleOCR，二选一，中文场景建议 PaddleOCR

3.3 创建项目目录和解压环境

建议把输入素材、输出结果、数据库、脚本分成独立目录。

mkdir -p analysis/input analysis/output analysis/db analysis/scripts cd analysis

这样做的目的是让每个环节互不干扰。视频文件放在 input，脚本输出统一写在 output，数据库单独放 db，后续做批量任务时不会把中间文件混在一起。

3.4 安装 Python 依赖

python -m venv .venv # Windows 激活方式 .venv\Scripts\activate # Linux/macOS 激活方式 source .venv/bin/activate pip install --upgrade pip pip install faster-whisper paddleocr paddlepaddle jieba requests

如果是在 macOS 上使用 MPS 或纯 CPU，PaddlePaddle 的安装命令可能需要根据官方文档调整。这里给出的是通用安装方式，具体版本以本机环境为准。

3.5 安装并启动 Ollama

Ollama 是一个本地模型运行工具，安装完成后先启动服务，再拉取一个适合中文摘要的模型。

# 拉取一个 7B 级别的中文指令模型，网络时间取决于带宽 ollama pull qwen2.5:7b-instruct # 启动服务，默认监听 127.0.0.1:11434 ollama serve

如果ollama serve已经作为后台服务运行，终端会出现端口占用的提示，这也是正常的。可以通过下面命令验证服务是否可用：

curl http://127.0.0.1:11434/api/tags

能返回 JSON 列表，说明 Ollama 服务已经就绪。

4. 安装部署与启动验证

依赖装完，不要急着直接跑完整分析。应该先做三个门槛检查：语音转写能否跑通、OCR 能否识别一张截图、Ollama 能否返回一句话。这三个小实验通过，说明环境本身没问题。

4.1 验证 faster-whisper 语音转写

新建一个scripts/test_whisper.py脚本，读取 input 目录下的一段短视频或音频文件，输出带时间戳的文本。

from faster_whisper import WhisperModel # 模型大小可选 tiny/base/small/medium/large-v3 # 第一次运行会自动下载模型 model = WhisperModel("base", device="auto", compute_type="int8") segments, info = model.transcribe( "input/final_chapter_demo.mp4", language="zh", word_timestamps=True, vad_filter=True, ) print(f"检测语言: {info.language}, 概率: {info.language_probability:.2f}") for segment in segments: print(f"[{segment.start:.2f} -> {segment.end:.2f}] {segment.text.strip()}")

运行方式：

python scripts/test_whisper.py

如果看到带时间戳的句子输出，说明转写链路可用。没有输出时，先检查文件路径、ffmpeg 是否安装、模型是否下载完整。

4.2 验证 PaddleOCR 文字识别

再建一个scripts/test_ocr.py脚本，读取 input 目录下的一张截图，输出图上文字。

from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang="ch", show_log=False) result = ocr.ocr("input/screenshot_01.png", cls=True) if result: for page in result: if page: for line in page: print(line[1][0]) else: print("未识别到文字")

运行方式：

python scripts/test_ocr.py

识别结果包含中文、数字、标点时，说明 OCR 环境正常。识别乱码时，可以先检查图片分辨率，再检查 PaddleOCR 模型文件是否完整。

4.3 验证 Ollama 文本生成

新建一个scripts/test_ollama.py脚本，直接调用 Ollama 的本地接口，让模型返回一句简单回答。

import requests url = "http://127.0.0.1:11434/api/generate" payload = { "model": "qwen2.5:7b-instruct", "prompt": "用一句话解释：什么是剧情时间线梳理？", "stream": False, "options": { "temperature": 0.7, "num_predict": 200 } } resp = requests.post(url, json=payload, timeout=300) resp.raise_for_status() print(resp.json()["response"])

运行方式：

python scripts/test_ollama.py

能返回一句中文内容，说明本地 LLM 服务可用。如果请求超时，先确认 Ollama 服务进程是否还在，再看端口是否被防火墙拦截。

5. 功能测试与效果验证：把最终章变成可查询文本

三个小实验通过后，进入完整流程。这里按“文本采集 -> 入库检索 -> 实体关联 -> LLM 行为抽取”的顺序展开。

5.1 语音转写：处理最终章的视频与音频

假设最终章素材是一段约 20 分钟的视频，包含了片头解说、角色对话和旁白。把这个视频放进input/final_chapter.mp4，然后运行批量转写脚本。

import os import glob from faster_whisper import WhisperModel model = WhisperModel("base", device="auto", compute_type="int8") files = sorted(glob.glob("input/*.mp4")) print(f"共发现 {len(files)} 个视频文件") for idx, path in enumerate(files, 1): base = os.path.splitext(os.path.basename(path))[0] out_txt = os.path.join("output", base + ".txt") out_srt = os.path.join("output", base + ".srt") try: segments, _ = model.transcribe( path, language="zh", vad_filter=True, ) with open(out_txt, "w", encoding="utf-8") as f: for seg in segments: f.write(seg.text.strip() + "\n") print(f"[{idx}/{len(files)}] 转写完成: {path}") except Exception as exc: print(f"[{idx}/{len(files)}] 转写失败: {path} -> {exc}")

转写成功后，output/final_chapter.txt就是最终章字幕的纯文本版本。判断标准：文件里出现完整句子，且能够搜到“海兰德铁道学院”等实体词。如果出现大量空行，说明vad_filter=True可能过滤掉了部分弱语音，可以改成vad_filter=False再试。

5.2 OCR 截图识别：处理画面中的文字

很多关键信息并不出现在语音里，而是出现在画面中的公告、报纸、指示牌上。把最终章的截图放在input/screenshots/目录下，运行 OCR 脚本。

import os import glob from paddleocr import PaddleOCR ocr = PaddleOCR(use_angle_cls=True, lang="ch", show_log=False) files = sorted(glob.glob("input/screenshots/*.png")) for path in files: base = os.path.splitext(os.path.basename(path))[0] out_path = os.path.join("output", base + "_ocr.txt") result = ocr.ocr(path, cls=True) lines = [] for page in result or []: for line in page or []: lines.append(line[1][0]) with open(out_path, "w", encoding="utf-8") as f: f.write("\n".join(lines)) print(f"{base}: 识别到 {len(lines)} 行文字")

判断标准：输出文件中包含与剧情相关的关键词。截图模糊、文字过小、旋转角度过大时，识别效果会下降。可以先对截图做放大和灰度处理，再进入 OCR。

5.3 全文检索：定位“海兰德铁道学院”的每一次出现

文本采集完成后，把所有 txt 文件导入 SQLite。这里使用最简单的方式，以行为单位存储文本，方便后续检索。

import sqlite3 import glob conn = sqlite3.connect("db/plot_analysis.db") conn.execute("CREATE TABLE IF NOT EXISTS lines (id INTEGER PRIMARY KEY AUTOINCREMENT, source TEXT, line_index INTEGER, content TEXT)") for txt_path in sorted(glob.glob("output/*.txt")): source = txt_path.split("/")[-1] with open(txt_path, "r", encoding="utf-8") as f: lines = f.readlines() for idx, line in enumerate(lines): line = line.strip() if line: conn.execute( "INSERT INTO lines (source, line_index, content) VALUES (?, ?, ?)", (source, idx, line), ) conn.commit() print("入库完成")

随后检索“海兰德铁道学院”出现的上下文：

import sqlite3 conn = sqlite3.connect("db/plot_analysis.db") rows = conn.execute( """ SELECT source, line_index, content FROM lines WHERE content LIKE '%海兰德铁道学院%' ORDER BY source, line_index LIMIT 30 """ ).fetchall() for source, idx, content in rows: print(f"{source} 第{idx}行: {content}")

判断标准：检索结果能覆盖多集、多时间段，而不是只出现在某一两个段落里。如果结果过少，说明需要补充同义词，比如“海兰德学院”“铁道学院”，再查一次。

5.4 实体关联：用 jieba 寻找高频共现实体

要回答“学院在干什么”，不能只看学院自己的句子，还要看它和谁一起出现。用 jieba 分词，把一句话中的实体词抽取出来，统计与“海兰德铁道学院”出现在同一个句子中的其他实体。

import jieba import sqlite3 from collections import Counter # 添加自定义词典 jieba.add_word("海兰德铁道学院") jieba.add_word("海兰德学院") jieba.add_word("铁道学院") conn = sqlite3.connect("db/plot_analysis.db") rows = conn.execute("SELECT source, content FROM lines WHERE content LIKE '%海兰德铁道学院%'").fetchall() co_occur = Counter() for source, content in rows: words = jieba.lcut(content) for w in words: w = w.strip() if len(w) >= 2 and w != "海兰德铁道学院": co_occur[w] += 1 for word, count in co_occur.most_common(20): print(word, count)

判断标准：高频共现词里应该能看到几个角色名、地名或事件名。这些词就是学院行动的“上下文锚点”。如果高频词全是“我们”“他们”“已经”等无意义词，需要加入停用词表，或者把候选词长度提高到 3 个字以上。

5.5 本地 LLM 行为抽取：让模型回答“学院在干什么”

检索完上下文后，把包含“海兰德铁道学院”的句子拼成一段上下文，交给 Ollama 做行为抽取。

import requests import sqlite3 conn = sqlite3.connect("db/plot_analysis.db") rows = conn.execute( """ SELECT content FROM lines WHERE content LIKE '%海兰德铁道学院%' ORDER BY source, line_index """ ).fetchall() context = "\n".join([r[0] for r in rows]) if len(context) > 3000: context = context[:3000] + "\n……" prompt = f""" 下面是从剧情文本中检索到的，与“海兰德铁道学院”相关的上下文： {context} 请基于以上上下文，用 3 个要点概括：在最终章，海兰德铁道学院在干什么？ 要求： 1. 只能基于上下文，不要虚构事实。 2. 每个要点不超过 50 字。 3. 如果上下文不足，请直接说“信息不足”。 """ resp = requests.post( "http://127.0.0.1:11434/api/generate", json={ "model": "qwen2.5:7b-instruct", "prompt": prompt, "stream": False, "options": {"temperature": 0.2, "num_predict": 500}, }, timeout=300, ) resp.raise_for_status() print(resp.json()["response"])

判断标准：模型能输出与原始上下文一致的要点，而不是编造出不存在的剧情。此时得到的要点只是“辅助结论”，需要再回到原始文本里核对一遍。

6. 接口 API 与批量任务设计

整套管线可以只用命令行运行，但如果要接到自己的知识库、定时任务或网页服务上，就需要把关键环节接口化。Ollama 本身就提供 HTTP API，faster-whisper 和 PaddleOCR 也可以在 Python 里封装成函数。

6.1 Ollama API 调用示例

Ollama 默认监听127.0.0.1:11434，常用路径是/api/generate。一个完整请求体如下：

{ "model": "qwen2.5:7b-instruct", "prompt": "请回答：海兰德铁道学院在最终章做了哪些事？", "stream": false, "options": { "temperature": 0.2, "num_predict": 300 } }

Python 调用方式：

import requests url = "http://127.0.0.1:11434/api/generate" payload = { "model": "qwen2.5:7b-instruct", "prompt": "请回答：海兰德铁道学院在最终章做了哪些事？", "stream": False, "options": { "temperature": 0.2, "num_predict": 300 } } resp = requests.post(url, json=payload, timeout=300) resp.raise_for_status() print(resp.json()["response"])

6.2 批量任务目录设计

批量任务的关键是输入输出隔离。建议目录结构如下：

analysis/ ├── input/ │ ├── final_chapter.mp4 │ ├── episode_23.mp4 │ └── screenshots/ ├── output/ │ ├── final_chapter.txt │ └── episode_23.txt ├── db/ │ └── plot_analysis.db └── scripts/ ├── transcribe_all.py ├── ocr_all.py ├── build_db.py └── ask_ollama.py

批量转写脚本要加日志和失败重试逻辑。最简单的做法是写一个process_one函数，内部捕获异常；外部循环里记录成功和失败数量。

import os import glob import time from faster_whisper import WhisperModel model = WhisperModel("base", device="auto", compute_type="int8") def transcribe_one(path): segments, _ = model.transcribe(path, language="zh", vad_filter=True) base = os.path.splitext(os.path.basename(path))[0] out_path = os.path.join("output", base + ".txt") with open(out_path, "w", encoding="utf-8") as f: for seg in segments: f.write(seg.text.strip() + "\n") return out_path files = sorted(glob.glob("input/*.mp4")) ok = 0 fail = 0 for p in files: try: out = transcribe_one(p) print(f"成功: {p} -> {out}") ok += 1 except Exception as exc: print(f"失败: {p} -> {exc}") fail += 1 time.sleep(1) print(f"完成，成功 {ok} 个，失败 {fail} 个")

批量任务最容易踩的坑是：模型第一次加载耗时较长，但每个文件都重新加载模型。解决办法是让模型常驻内存，在脚本开头只加载一次。同理，OCR 模型也建议全局只初始化一次。

7. 资源占用与性能观察方法

这套管线不是单一程序，资源占用要分模块看。

7.1 怎么观察资源占用

• GPU 显存：终端执行nvidia-smi，或者在 Python 里使用torch.cuda.memory_allocated()观察。
• CPU 和内存：Linux 用top，Windows 用任务管理器。
• Ollama 服务：Ollama 会在模型加载后常驻内存，具体占用取决于模型大小和量化版本。

需要特别说明的是，显存占用会随着模型版本、输入视频长度、并发任务数变化。一个 7B 模型在量化后的占用和一个 13B 模型完全不同。更稳妥的做法是先跑一个 30 秒的短视频，观察峰值显存和内存，再决定是否用更大的模型。

7.2 不同参数对性能的影响

• 语音转写模型大小：tiny最快，但准确率较低；large-v3更准，但占用资源和时间明显上升。
• OCR 图片分辨率：原图过大时，可以先压缩再识别；原图过小时，先放大再识别。
• LLM 输出长度：num_predict控制生成的 token 数，输出越长，等待时间越久。
• 并发数：Ollama 默认可以并发处理请求，但并发过高会导致显存溢出。批量任务建议先并发数设为 1，跑通后再逐步调大。

7.3 降低资源占用的方法

• 语音转写使用compute_type="int8"，占用显存显著低于 float16。
• OCR 和 whisper 不要在同一个进程里同时初始化大模型，分步骤执行。
• LLM 使用量化版本，比如qwen2.5:7b-instruct-q4_K_M，比原版占用更小。
• 长视频先切片，再分批转写，避免一次性加载太长的音频。

8. 常见问题与排查方法

上面这些问题是本地部署最常见的，大部分都能通过日志定位。建议在所有脚本里统一打印时间、文件名和错误信息，排查效率会提高很多。

9. 最佳实践与使用建议

第一次做剧情分析，不要直接对整个长篇作品跑完整流程。先用最终章的 1 集视频或 10 页文本做小样本验证，确认转写、OCR、检索、问答四个环节都能跑通，再扩展规模。

目录管理要严格。input、output、db、scripts 四个目录从开始就分开，避免模型文件、中间文本、数据库混在一起。后续清理或重新处理时，只需要清空 output 目录。

自定义词典要维护。分析“海兰德铁道学院”这类专有名词时，jieba 默认分词可能把它切成“海兰德 / 铁道 / 学院”。在脚本里加入jieba.add_word("海兰德铁道学院")，检索结果会更完整。

批量任务一定要加日志。一个文件失败不应该中断整个队列。推荐的策略是：先顺序执行，每个文件都 try/except 捕获异常；跑通之后再改成多线程或异步。日志里至少记录文件名、成功/失败、耗时和输出路径。

使用 Ollama 接口时，不要把服务暴露到公网。本地服务默认只绑定127.0.0.1，如果在服务器上使用，建议通过反向代理加上鉴权，避免未授权访问。

合规方面要特别注意：如果文本、图片、视频来自商业作品或他人创作，只能用于个人分析，不要公开传播完整原文；如果素材包含真实人物、声音或私人信息，使用前必须确认授权。不要用公共 API 上传敏感或未授权数据。

10. 总结与下一步

回到最初的问题：“在最终章，海兰德铁道学院在干什么？”

用这套管线跑完后，你会得到一份可追溯的答案：哪个时间点、哪个场景、哪些角色、哪些行为与学院相关。最终判断还是要回到原始文本里核对，但检索和梳理过程已经做完，不需要再翻几十章。

最先要验证的功能是语音转写和 OCR 识别，这两步决定了后续文本维度的完整性；最容易踩的坑是模型首次加载时间过长和 OCR 图片质量不佳，建议先用小文件测试。

后续还可以继续扩展：把输出结果导入 RAG 框架，做带引用的问答系统；用 NetworkX 建立角色共现图，观察学院与各阵营的关系变化；或者对每一章的摘要做时间线排序，生成事件演化报告。工具链已经具备，剩下的就是给素材建好输入目录，然后跑起来试试。