Programa para classificar frases extraídas de legendas

Preciso de um programa que classifique frases extraídas de uma pasta com milhares de legendas de acordo com a frequência das palavras que formam as frases. As legendas foram baixadas de https://www.opensubtitles.org/ e estão no formato .srt dentro de um arquivo .zip cada uma..

O programa deve ser capaz de remover caracteres especiais, linhas de tempo, números e outros elementos que não sejam letras/palavras que compõem frases.

Deve haver uma função para identificar frases, mesmo com a quebra de linha dos arquivos. Uma frase padrão tem início após “.” “!” ou “?” e termina também com “.” “!” ou “?”. Veja um exemplo:

—----------------------------------------------------
>>>>Entrada:

8
00:00:18,643 --> 00:00:21,061
How do we get you to stop
with this ghost nonsense?

9
00:00:21,062 --> 00:00:24,440
Lucas could spend his last years
in high school without a mom.

10
00:00:24,441 --> 00:00:25,566
That's a lot coming from you.

>>>>Saída:

How do we get you to stop with this ghost nonsense?
Lucas could spend his last years in high school without a mom.
That's a lot coming from you.
—----------------------------------------------------

Em seguida, o programa deve contar quantas vezes cada palavra aparece nos arquivos e classificá-las. Então, será gerado um arquivo chamado palavras.txt com a lista de palavras e o número de vezes que ela apareceu, da mais frequente para a menos frequente. Exemplo:
—----------------------------------------------------
you=255674
to=248567
I=231857
for=201864
—----------------------------------------------------
Depois disso, é preciso classificar as frases. Cada palavra recebe uma pontuação que é a quantidade de vezes que ela aparece nos arquivos. Assim, é somada a pontuação total da frase de acordo com a pontuação de cada palavra que está presente na frase.

Desse modo, o programa classifica as frases começando da frase com menor pontuação para a de maior pontuação. Deverá ser gerado um arquivo frases.txt com a lista de frases.

O arquivo gerado vai conter algumas frases com erros, mas não tem problema, pois será feita uma revisão manual do arquivo para selecionar as melhores frases e descartar algumas.

No entanto, é importante que o arquivo inicial das frases esteja bem “limpo” e as frases bem escritas para que o arquivo de saída fique o mais bem organizado possível. “Onde entra lixo, sai lixo!”

Os inputs são:
Local da pasta com as legendas
Número de frases a serem classificadas no arquivo de saída
Local dos arquivos de saída.

Os outputs são:
palavras.txt
frases.txt