Convertidor de EPUB a TXT

La conversión la realiza la herramienta de línea de comandos ebook-convert de Calibre, invocada en el servidor como ebook-convert <entrada.epub> <salida.txt> junto con --txt-output-encoding utf-8, de modo que la salida siempre es UTF-8, independientemente de la codificación declarada por el archivo original. El proceso tiene tres fases.

La primera es el análisis del EPUB. Un EPUB es un archivo ZIP cuya primera entrada es un archivo mimetype sin comprimir con el contenido application/epub+zip, seguido de META-INF/container.xml que apunta al archivo .opf raíz del paquete. Ese .opf contiene tres secciones: metadata (título, autor, idioma e identificador único descritos con elementos Dublin Core), manifest (relación de todos los recursos del paquete) y spine (orden de lectura). El analizador recorre el spine y carga cada documento XHTML en orden. Por eso el texto sale en orden de lectura y no en el orden del archivo ZIP: la secuencia la define el spine, no los nombres de archivo.

La segunda fase reduce el XHTML a texto. Se recorre el DOM de cada documento y solo se conservan los nodos de texto, de modo que de cada elemento — <p>, <h1>, <em>, <span>, <div> — solo queda su texto y todo lo demás se descarta. Los elementos de bloque se convierten en saltos de párrafo, que es lo que produce las líneas en blanco entre párrafos en la salida; los estilos en línea simplemente se eliminan. Los elementos sin contenido textual, como <img> y <hr>, desaparecen por completo. Los enlaces pierden su destino, pero su texto ancla permanece en su sitio: una URL escrita como texto visible sobrevive, mientras que una palabra hiperenlazada pierde la dirección que tenía detrás.

La tercera fase serializa el resultado: se normalizan los espacios, se escribe el texto en la codificación de destino y termina. Conviene tener en cuenta dos cosas. La primera es que todo el contenido que solo existe como imagen se pierde: un libro escaneado, un cómic en EPUB de maquetación fija (rendition:layout=pre-paginated) o un álbum ilustrado apenas tienen nodos de texto, así que la salida es vacía o casi vacía. La segunda es que sin marcado no hay estructura: las reglas CSS de salto de página, que la canalización de PDF usa para paginar, aquí no significan nada, y los límites de capítulo solo sobreviven como el propio texto del título.

• Motor: ebook-convert de Calibre, ejecutado en el servidor como ebook-convert <entrada.epub> <salida.txt> --txt-output-encoding utf-8
• Contenedor EPUB: ZIP con un mimetype sin comprimir (application/epub+zip), META-INF/container.xml apuntando al .opf raíz, y el .opf con metadata / manifest / spine
• El orden de lectura lo define el spine, no los nombres de archivo ni el orden del ZIP: por eso los capítulos extraídos salen en la secuencia prevista
• La extracción conserva solo los nodos de texto: los elementos de bloque se convierten en saltos de párrafo, los estilos en línea se descartan y los elementos sin datos de carácter (img, hr) desaparecen
• Con pérdidas por diseño: imágenes, portada, tablas (celdas serializadas como texto corrido), tipografías, colores y jerarquía del índice no sobreviven; los enlaces solo conservan su texto ancla
• Las fuentes solo con imágenes fallan: un EPUB escaneado o un cómic de maquetación fija no tienen nodos de texto, así que la salida queda vacía; el servicio detecta el resultado vacío y notifica un fallo en lugar de entregar un archivo en blanco
• La salida es texto plano UTF-8 con espacios normalizados; no hay concepto de página, así que los números de página y los ajustes de paginación no influyen