Конвертер EPUB в TXT

Конвертацию выполняет консольная утилита ebook-convert из состава Calibre, которая на сервере вызывается как ebook-convert <вход.epub> <выход.txt> с параметром --txt-output-encoding utf-8, поэтому вывод всегда в UTF-8 независимо от того, какую кодировку декларирует исходный файл. Процесс состоит из трёх этапов.

Первый этап — разбор EPUB. EPUB это ZIP-архив, первая запись которого — несжатый файл mimetype с содержимым application/epub+zip, далее идёт META-INF/container.xml, указывающий на корневой .opf-файл пакета. В .opf три раздела: metadata (название, автор, язык и уникальный идентификатор, описанные элементами Dublin Core), manifest (перечень всех ресурсов пакета) и spine (порядок чтения). Парсер проходит по spine и загружает XHTML-документы по очереди. Именно поэтому текст выходит в порядке чтения, а не в порядке архива: последовательность задаёт spine, а не имена файлов.

Второй этап — сведение XHTML к тексту. Обходится DOM каждого документа, и сохраняются только текстовые узлы: от любого элемента — <p>, <h1>, <em>, <span>, <div> — остаётся только его текст, всё остальное отбрасывается. Блочные элементы превращаются в разделители абзацев, отсюда и пустые строки между абзацами в результате; встроенные стили просто теряются. Элементы без текста, такие как <img> и <hr>, исчезают полностью. Ссылки теряют адрес, но текст ссылки остаётся на месте: URL, написанный видимым текстом, выживает, а слово с гиперссылкой лишается стоящего за ним адреса.

Третий этап — сериализация: пробелы нормализуются, текст записывается в целевой кодировке, работа завершена. Стоит отметить два следствия. Первое: всё, что существует только как изображение, теряется. Отсканированная книга, комикс в EPUB с фиксированной вёрсткой (rendition:layout=pre-paginated) или книжка с картинками практически не содержат текстовых узлов, поэтому результат пустой или почти пустой. Второе: без разметки нет структуры. Правила разрыва страниц CSS, которыми пользуется конвейер PDF для разбиения на страницы, здесь бессмысленны, и границы глав сохраняются лишь как сам текст заголовка.

• Движок: ebook-convert из Calibre, запускается на сервере как ebook-convert <вход.epub> <выход.txt> --txt-output-encoding utf-8
• Контейнер EPUB: ZIP с несжатым mimetype (application/epub+zip), META-INF/container.xml указывает на корневой .opf, а сам .opf содержит metadata / manifest / spine
• Порядок чтения задаёт spine, а не имена файлов и не порядок в ZIP — поэтому извлечённые главы идут в задуманной последовательности
• Извлечение сохраняет только текстовые узлы: блочные элементы превращаются в разделители абзацев, встроенные стили отбрасываются, а элементы без текста (img, hr) исчезают
• Потери заложены в саму идею: изображения, обложка, таблицы (ячейки сериализуются в сплошной текст), шрифты, цвета и иерархия оглавления не сохраняются; у ссылок остаётся только текст
• Источники из одних картинок не проходят: у отсканированного EPUB или комикса с фиксированной вёрсткой нет текстовых узлов, поэтому результат пустой — сервис распознаёт пустой вывод и сообщает об ошибке вместо пустого файла
• Вывод — обычный текст в UTF-8 с нормализованными пробелами; понятия страницы нет, поэтому номера страниц и настройки разбиения на страницы ни на что не влияют