Восстановление структуры EPUB по CSS для дампов из PDF

Дамп, собранный конвертером из PDF, теряет всю семантику: ни заголовков, ни листингов, только абзацы с обфусцированными классами. Такие книги уезжали в перевод одним куском, а код — вместе с текстом. Теперь при нулевом числе заголовков или листингов разметка восстанавливается из таблицы стилей книги: три самых крупных кегля становятся уровнями заголовков, моноширинная гарнитура — листингом, соседние строки листинга склеиваются в один блок. Книга со своей разметкой в этот путь не попадает. Проверено на двух настоящих книгах: дамп APoSD — 1833 плоских абзаца стали 29 главами и 58 листингами; Страуструп с собственной разметкой не изменился.
2026-08-20 19:11:51 +03:00
parent db9fe5e0fa
commit 1bacd38292
3 changed files with 181 additions and 18 deletions
@@ -113,7 +113,78 @@ def test_convert(tmp: Path):
    assert text.count("<h1>") == 3 and "<h2>" not in text


+# Дамп, собранный конвертером из PDF: ни одного заголовка, ни одного <pre>,
+# только <p> с обфусцированными классами и таблица стилей.
+FLAT_CSS = """
+.cls_head { font-size: 1.66667em; font-family: Reg; }
+.cls_body { font-size: 1em; font-family: Reg; }
+.cls_code { font-size: 0.9em; font-family: lucidasanstypewriter; }
+"""
+
+FLAT_OPF = """<?xml version="1.0"?>
+<package xmlns="http://www.idpf.org/2007/opf" version="2.0">
+  <metadata/>
+  <manifest>
+    <item id="s" href="style.css" media-type="text/css"/>
+    <item id="a" href="p1.xhtml" media-type="application/xhtml+xml"/>
+    <item id="b" href="p2.xhtml" media-type="application/xhtml+xml"/>
+    <item id="c" href="p3.xhtml" media-type="application/xhtml+xml"/>
+  </manifest>
+  <spine><itemref idref="a"/><itemref idref="b"/><itemref idref="c"/></spine>
+</package>"""
+
+
+def flat_doc(n):
+    return """<?xml version="1.0" encoding="utf-8"?>
+<html xmlns="http://www.w3.org/1999/xhtml"><body>
+<p class="cls_head">Chapter %d</p>
+<p class="cls_head">Title Of Chapter %d</p>
+<p class="cls_body">Body text of the chapter, long enough to be a paragraph.</p>
+<p class="cls_code">def f(x):</p>
+<p class="cls_code">    return x + 1</p>
+<p class="cls_body">Closing paragraph of the chapter goes here.</p>
+</body></html>""" % (n, n)
+
+
+def test_flat_dump_recovered(tmp: Path):
+    src = tmp / "flat.epub"
+    with zipfile.ZipFile(src, "w") as z:
+        z.writestr("mimetype", "application/epub+zip")
+        z.writestr("META-INF/container.xml", CONTAINER)
+        z.writestr("OEBPS/content.opf", FLAT_OPF)
+        z.writestr("OEBPS/style.css", FLAT_CSS)
+        for i in (1, 2, 3):
+            z.writestr("OEBPS/p%d.xhtml" % i, flat_doc(i))
+    out = tmp / "flat.html"
+    epub2html.convert(src, out)
+    text = out.read_text(encoding="utf-8")
+
+    # заголовки восстановлены по кеглю и склеены с номером главы
+    assert "<h1>Chapter 2. Title Of Chapter 2</h1>" in text, text
+    assert text.count("<h1>") == 3
+
+    # листинг восстановлен по гарнитуре, соседние строки склеены в один блок
+    assert "<pre>def f(x):\n    return x + 1</pre>" in text, text
+    assert text.count("<pre>") == 3
+
+    # обычный текст остался абзацем
+    assert "<p>Body text of the chapter" in text
+
+
+def test_real_markup_wins_over_css(tmp: Path):
+    """Книга со своей разметкой не должна уезжать в запасной путь."""
+    src = tmp / "book.epub"
+    build_epub(src)
+    out = tmp / "book.html"
+    epub2html.convert(src, out)
+    text = out.read_text(encoding="utf-8")
+    assert text.count("<h1>") == 3, "заголовки книги должны остаться её собственными"
+    assert "def main():" in text
+
+
 if __name__ == "__main__":
-    with tempfile.TemporaryDirectory() as d:
-        test_convert(Path(d))
+    for case in (test_convert, test_flat_dump_recovered,
+                 test_real_markup_wins_over_css):
+        with tempfile.TemporaryDirectory() as d:
+            case(Path(d))
    print("OK")