Conversor de EPUB para TXT

A conversão é feita pela ferramenta de linha de comando ebook-convert do Calibre, chamada no servidor como ebook-convert <entrada.epub> <saída.txt> com --txt-output-encoding utf-8, de modo que a saída é sempre UTF-8, independentemente da codificação declarada pelo arquivo original. O processo tem três etapas.

A primeira é a análise do EPUB. Um EPUB é um arquivo ZIP cuja primeira entrada é um arquivo mimetype não comprimido com o conteúdo application/epub+zip, seguido de META-INF/container.xml, que aponta para o arquivo .opf na raiz do pacote. Esse .opf contém três seções: metadata (título, autor, idioma e identificador único descritos com elementos Dublin Core), manifest (relação de todos os recursos do pacote) e spine (ordem de leitura). O analisador percorre o spine e carrega cada documento XHTML na sequência. É por isso que o texto sai em ordem de leitura e não na ordem do arquivo ZIP: quem define a sequência é o spine, não o nome dos arquivos.

A segunda etapa reduz o XHTML a texto. O DOM de cada documento é percorrido e apenas os nós de texto são preservados, de modo que cada elemento — <p>, <h1>, <em>, <span>, <div> — só sobra o texto, e todo o resto é descartado. Elementos de bloco viram quebras de parágrafo, e é isso que produz as linhas em branco entre os parágrafos na saída; estilos em linha são simplesmente descartados. Elementos sem conteúdo textual, como <img> e <hr>, desaparecem por completo. Os links perdem o destino, mas o texto âncora permanece no lugar: uma URL escrita como texto visível sobrevive, enquanto uma palavra com link perde o endereço para onde aponta.

A terceira etapa serializa o resultado: os espaços são normalizados, o texto é gravado na codificação de destino e a tarefa termina. Vale destacar dois pontos. A primeira é que todo conteúdo que existe apenas como imagem se perde: um livro digitalizado, um quadrinho em EPUB de layout fixo (rendition:layout=pre-paginated) ou um livro ilustrado quase não têm nós de texto, então a saída fica vazia ou quase vazia. A segunda é que, sem marcação, não há estrutura: as regras CSS de quebra de página, que o fluxo de PDF usa para paginar, não significam nada aqui, e os limites de capítulo só sobrevivem como o próprio texto do título.

• Motor: ebook-convert do Calibre, executado no servidor como ebook-convert <entrada.epub> <saída.txt> --txt-output-encoding utf-8
• Contêiner EPUB: ZIP com um mimetype não comprimido (application/epub+zip), META-INF/container.xml apontando para o .opf raiz, e o .opf com metadata / manifest / spine
• A ordem de leitura é definida pelo spine, não pelos nomes de arquivo nem pela ordem do ZIP — é por isso que os capítulos extraídos saem na sequência prevista
• A extração preserva apenas os nós de texto: elementos de bloco viram quebras de parágrafo, estilos em linha são descartados e elementos sem dados de caractere (img, hr) desaparecem
• Com perdas por natureza: imagens, capa, tabelas (células serializadas como texto corrido), fontes, cores e hierarquia do sumário não sobrevivem; os links mantêm só o texto âncora
• Fontes só com imagens falham: um EPUB digitalizado ou um quadrinho de layout fixo não têm nós de texto, então a saída fica vazia — o serviço detecta o resultado vazio e reporta falha em vez de entregar um arquivo em branco
• A saída é texto simples UTF-8 com espaços normalizados; não há conceito de página, então números de página e ajustes de paginação não têm efeito