Untertitel in die Tabelle und zurück: was den Umweg übersteht

Warum eine Tabelle die richtige Form für die Durchsicht ist

Eine Untertiteldatei ist ein schlechtes Objekt für jemanden, der kein Untertitler ist. Sie verschränkt Inhalt und Mechanik, ein Prüfer muss also über Nummern und Zeitstempel hinwegspringen, um einen Satz zu lesen, und jede versehentliche Änderung an einem Zeitstempel bleibt bis zur Wiedergabe unsichtbar. Eine Zeile je Untertitel löst beide Probleme auf einmal. Der Text steht in einer einzigen Spalte, die man von oben nach unten lesen kann, die Zeiten stehen in eigenen Spalten, sichtbar, aber kaum zu berühren, und eine zweite Spalte lässt sich für Übersetzung, Kommentar oder Freigabevermerk hinzufügen, ohne irgendetwas zu stören.

Die Spalten, die dieser Konverter schreibt, sind Index, Start, Ende und Text, in dieser Reihenfolge, mit einer Kopfzeile aus genau diesen vier Namen. Der Index wird aus der Position jedes Untertitels in der Datei neu erzeugt statt aus der Quellnummerierung übernommen, sodass eine Datei mit doppelten oder unsortierten Zählern sauber ab eins nummeriert herauskommt. Behalte diese Spalte. Auf dem Rückweg wird sie gelesen und nicht ignoriert: Trägt jede Zeile eine eigene Nummer, baut der Import in Index-Reihenfolge auf, sodass eine Tabelle, die du beim Arbeiten nach Text sortiert hast, trotzdem eine Untertiteldatei in der richtigen Reihenfolge ergibt.

Kommas, Anführungszeichen und die RFC dazu

Dialog steckt voller Kommas, und das Komma ist das Feldtrennzeichen — das ist also das Erste, was man bei jedem Untertitel-zu-CSV-Werkzeug prüft. RFC 4180, das Memo von 2005, das festhielt, wie CSV-Dateien üblicherweise aussehen, gibt die Regel: Felder mit Zeilenumbrüchen, geraden Anführungszeichen oder Kommas sollen in Anführungszeichen gesetzt werden, und ein Anführungszeichen darin wird durch ein vorangestelltes weiteres Anführungszeichen maskiert. Dieser Konverter erfüllt beide Hälften. Der Satz Also nein, nicht ganz. steht als ein einziges zitiertes Feld, und Er sagte "der Hafen", nicht die Docks. steht als "Er sagte ""der Hafen"", nicht die Docks." — zitiert, weil es sowohl ein Anführungszeichen als auch ein Komma enthält, mit jedem inneren Anführungszeichen verdoppelt.

Die Zeitstempel bekommen dieselbe Behandlung, ohne dass es jemand entschieden hätte, und der Grund ist ein glücklicher Zufall des Formats. SubRip schreibt seine Millisekunden hinter ein Komma, 00:00:01,000 enthält also ein Feldtrennzeichen und wird in jeder Zeile jeder von diesem Werkzeug erzeugten Datei zitiert. Das ist bemerkenswert, denn es ist die eine Stelle, an der SubRips seltsame Trennzeichenwahl dir hilft: Ein WebVTT-Zeitstempel mit Punkt ginge unzitiert hinaus und wäre dem ausgeliefert, wofür das lesende Programm ein unzitiertes 00:00:01.000 hält.

Zwei ehrliche Abweichungen, beide harmlos und beide real. RFC 4180 sagt, Datensätze würden durch Wagenrücklauf und Zeilenvorschub getrennt; dieser Konverter schreibt einen bloßen Zeilenvorschub, den jede Tabelle akzeptiert und der nur zählt, wenn etwas weiter unten sehr wörtlich nimmt. Und die RFC hat den Status Informational, sie ist keine Norm: Sie beschreibt, was Implementierungen tun, statt es vorzuschreiben, und ihr eigener Wortlaut sagt „sollten“ statt „müssen“. Sie als Definition von CSV zu behandeln ist eine nützliche Konvention, keine Garantie über das nächste Programm, das deine Datei liest.

Vier Dinge, die man über die Tabelle in der Mitte wissen sollte

Das Trennzeichen. Tabellen in Sprachen, die das Komma als Dezimaltrenner verwenden — also Französisch, Deutsch, Spanisch, Italienisch und Portugiesisch —, speichern eine Datei häufig mit Semikolons zwischen den Feldern statt mit Kommas, dem Listentrennzeichen des Systems folgend. Der Import sieht sich den ersten Datensatz an und zählt die Trennzeichen außerhalb der Anführungszeichen; eine solche Datei wird also gelesen und nicht abgelehnt, und ein Semikolon innerhalb eines Untertitels zählt nicht mit, weil es in einem zitierten Feld steht. Die kommagetrennte Variante ausdrücklich zu wählen, wenn deine Tabelle sie anbietet, ergibt weiterhin die sauberere Datei — aber ein schlichtes Speichern in einer dieser fünf Sprachen kostet dich den Import nicht mehr.

Die Typen. CSV trägt überhaupt keine Typinformation — RFC 4180 sagt nichts über Datentypen, weil es nichts zu sagen gibt: Jedes Feld ist Text. Anführungszeichen schützen das Parsen, nicht die Bedeutung. Eine Tabelle liest das zitierte Feld, packt es aus und entscheidet dann selbst, was der Inhalt ist — und dort ist der Zeitstempel gefährdet: 00:00:01,000 ist eine Zeichenkette, die ein Programm je nach Region und Vermutung als Uhrzeit, als Zahl mit Tausendertrenner oder als Text lesen darf. Nichts in der Datei sagt ihm welches. Die verlässliche Gewohnheit ist Importieren statt Öffnen — den Textimport-Weg der Tabelle nehmen und die beiden Zeitspalten auf Text stellen, bevor die Daten landen — und einen Zeitstempel zu prüfen, bevor man mit dem Bearbeiten beginnt.

Die Formeln. Ein Untertitel, dessen Text mit Gleichheitszeichen, Plus oder At beginnt — und mit einem Minus, auf das eine Ziffer oder ein weiterer Operator folgt, wie bei -1-1 —, wird als zitiertes Feld mit vorangestelltem Apostroph geschrieben, dem Escape, das eine Tabelle ohnehin versteht: Die Zelle zeigt den Text und wertet nichts aus. Der Import entfernt dieses Apostroph wieder, sodass =SUM(A1:A9) unverändert zurückkommt. Der Dialogstrich bleibt bewusst unangetastet, denn eine Zeile, die mit „- Ja.“ beginnt, ist in jeder zweiten Untertiteldatei eine Sprechzeile und in keiner Tabelle eine Formel. Wovor das nicht schützt, ist eine Formel, die du beim Bearbeiten selbst eintippst.

Die Reihenfolge. Sortieren ist in einer Tabelle die naheliegendste Handlung, deshalb liest der Import die Index-Spalte, statt sie zu ignorieren: Trägt jede Zeile ihre eigene, eindeutige Nummer, wird die Ausgabe in Index-Reihenfolge aufgebaut, und ein Hinweis sagt dir, dass die Zeilen wieder in Folge gebracht wurden. Sortiere nach Text, um für eine Terminologieprüfung ähnliche Zeilen zu gruppieren, und die neu gebaute SRT kommt trotzdem in Zeitreihenfolge heraus. Sind die Nummern doppelt oder fehlen sie in manchen Zeilen, ist die Spalte nicht verlässlich: Dann bleibt die Zeilenreihenfolge erhalten, und das Werkzeug sagt es. Verdrehte Zeiten werden ebenso gemeldet: Eine Zeile von 00:00:09,000 bis 00:00:04,000 wird weiterhin so geschrieben, wie sie dasteht, aber sie wird jetzt gezählt und benannt, statt stillschweigend durchzulaufen.

Häufige Fragen

Zerstört ein Komma im Untertitel das CSV?

Nein. Jedes Feld mit Komma, geradem Anführungszeichen oder Zeilenumbruch wird in Anführungszeichen gesetzt, und ein Anführungszeichen darin wird durch Verdoppelung maskiert — genau das beschreibt RFC 4180. An echten Fällen geprüft: der Satz Also nein, nicht ganz. wird ein einziges zitiertes Feld, und Er sagte "der Hafen", nicht die Docks. wird "Er sagte ""der Hafen"", nicht die Docks." — zitiert, weil es Komma und Anführungszeichen enthält, mit jedem inneren Anführungszeichen verdoppelt. Beide kommen durch den CSV-zu-SRT-Konverter byteweise identisch zurück und überstehen drei aufeinanderfolgende Umwege, ohne Anführungszeichen anzuhäufen — das übliche Versagen einer naiven Maskierung. Die Zeitstempel sind von derselben Regel geschützt, ohne dass es jemand gewählt hätte, denn SubRip schreibt Millisekunden hinter einem Komma und 00:00:01,000 enthält damit ein Trennzeichen.

Überstehen zwei- und dreizeilige Untertitel den Umweg?

Ja, und der Grund lohnt sich, denn genau hier scheitert diese Art von Werkzeug sonst. Ein Untertitel mit Zeilenumbruch wird als zitiertes Feld mit einem echten Umbruch darin geschrieben, über zwei physische Zeilen der CSV-Datei hinweg — die nach RFC 4180 korrekte Form und diejenige, die eine Tabelle als eine einzige Zelle öffnet. Der CSV-zu-SRT-Konverter liest die Datei als CSV-Datensätze statt als Textzeilen, ein Umbruch beendet einen Datensatz also nur außerhalb der Anführungszeichen; ein Datensatz über drei physische Zeilen bleibt ein Datensatz. An der Ausgabe des Exporters selbst geprüft: Eine Datei aus ein-, zwei- und dreizeiligen Untertiteln, einer mit Komma und einer mit Anführungszeichen, wird Byte für Byte identisch wieder aufgebaut und bleibt es nach drei aufeinanderfolgenden Umwegen. Wenn du den Text in einer Tabelle bearbeitest, nimm deren Zeilenumbruch innerhalb der Zelle — Alt+Eingabe in Excel unter Windows — statt einen Backslash und ein n zu tippen, die nur zwei Textzeichen sind.

Meine Tabelle speichert die Datei mit Semikolons. Wird sie importiert?

Ja. Tabellen folgen dem Listentrennzeichen des Systems, und in Sprachen, die das Komma als Dezimalzeichen verwenden — Französisch, Deutsch, Spanisch, Italienisch, Portugiesisch —, ist dieses Trennzeichen das Semikolon; ein schlichtes Speichern erzeugt also eine semikolongetrennte Datei. Der Import sieht sich den ersten Datensatz dessen an, was du einfügst, zählt Kommas und Semikolons außerhalb der zitierten Felder und nimmt das häufigere; ein Semikolon innerhalb einer Sprechzeile zählt nicht mit, weil es in Anführungszeichen steht. Eine Datei aus einer französischen, deutschen, spanischen, italienischen oder portugiesischen Tabelle wird also so importiert, wie sie ist. Die kommagetrennte Variante ausdrücklich zu wählen — meist unter einem Namen wie CSV UTF-8 oder „Trennzeichen-getrennt“ angeboten — bleibt die sauberere Gewohnheit, wenn du die Datei an etwas anderes weitergibst, ist aber keine Bedingung mehr dafür, dass sie hier funktioniert.

Zerstört Excel meine Zeitstempel, indem es 00:00:01,000 als Uhrzeit oder Zahl liest?

Es kann, und die Anführungszeichen verhindern es nicht, denn Zitieren und Typisieren sind zwei verschiedene Probleme. RFC 4180 sagt überhaupt nichts über Datentypen — ein CSV-Feld ist Text, und das Format kann nichts anderes behaupten. Die Anführungszeichen sagen dem Leser, wo das Feld beginnt und endet; ist es einmal ausgepackt, liegt es ganz bei ihm, wofür er den Inhalt hält, und die Vermutung einer Tabelle hängt ebenso von ihrer Region ab wie von der Zeichenkette. Verlass dich nicht auf Glück: Nimm den Textimport-Weg der Tabelle statt eines Doppelklicks auf die Datei und stelle die Start- und Endespalte auf Text, bevor die Daten landen. Prüfe dann einen Zeitstempel im Blatt, bevor du irgendetwas bearbeitest, und stelle sicher, dass dort weiterhin 00:00:01,000 steht und kein rechtsbündiger Wert anderer Gestalt. Wurde er umgewandelt, schließe ohne Speichern und importiere neu — eine Spalte verstümmelter Zeiten zu reparieren ist weit mehr Arbeit, als sie gleich richtig zu importieren.

Kann ich in der Tabelle Zeilen hinzufügen, löschen oder umordnen?

Hinzufügen und Löschen nach Belieben; Umsortieren ebenfalls, solange du die Index-Spalte behältst. Der Import liest diese Spalte: Trägt jede Zeile ihre eigene, eindeutige ganze Zahl, wird die Ausgabe in Index-Reihenfolge aufgebaut, und ein Hinweis meldet, dass die Zeilen wieder in Folge gebracht wurden — eine alphabetisch nach Text sortierte Tabelle, mit der du ähnliche Zeilen gruppiert hast, ergibt also trotzdem eine Untertiteldatei in Zeitreihenfolge. Haben einzelne Zeilen ihre Nummer verloren, oder teilen sich zwei Zeilen dieselbe, ist die Spalte nicht verlässlich: Das Werkzeug behält dann die Reihenfolge, in der die Zeilen stehen, und sagt es, statt zu raten. Eine Zeile zu löschen ist unbedenklich: Die Ausgabe wird ab eins neu nummeriert, gleich welche Indizes übrig bleiben. Der Import meldet jetzt auch einen Untertitel, dessen Ende vor seinem Beginn liegt — eine Zeile von 00:00:09,000 bis 00:00:04,000 wird weiterhin so geschrieben, wie sie dasteht, aber sie wird gezählt und benannt, statt stillschweigend durchzulaufen. Zeiten dürfen auch als schlichte Sekunden statt als Timecodes eingegeben werden, was beim Ergänzen eines Untertitels von Hand bequem ist: 5.5 und 8.2 werden als 00:00:05,500 und 00:00:08,200 gelesen.