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.

SKILL.md

@@ -32,6 +32,15 @@ needed, not PyMuPDF) and convert with:
 
 `python scripts/epub2html.py book.epub out/book.html`
 
+**Dumps converted from PDF carry no semantics at all** — no headings, no `<pre>`,
+just `<p class="class_s1e2">` with obfuscated names. The script detects this
+(zero headings or zero listings) and rebuilds the structure from the book's own
+stylesheet: the three largest font sizes become heading levels, a typewriter or
+monospace family becomes `<pre>`, and adjacent listing paragraphs merge back into
+one block. A book that carries its own markup never enters this path. Measured on
+the dokumen.pub dump of Ousterhout's APoSD: 1833 flat paragraphs became 29
+chapters and 58 listings.
+
 It reports which heading level turned out to be the chapter level. In most
 EPUBs `<h1>` is the book title and the parts, while chapters are `<h2>` — the
 script picks the deepest level that still gives a sane chapter count, because

scripts/epub2html.py

@@ -39,16 +39,57 @@ INLINE_MAP = {"i": "i", "em": "i", "cite": "i", "b": "b", "strong": "b",
               "code": "code", "kbd": "code", "samp": "code", "tt": "code",
               "var": "code"}
 DROP = {"script", "style", "head", "title", "nav"}
+# Дампы, собранные конвертером из PDF, теряют всю семантику: ни заголовков, ни
+# <pre>, только <p class="class_s1e2"> с обфусцированными именами. Разметку
+# приходится восстанавливать из таблицы стилей — по кеглю и по гарнитуре.
+MONO_FONT = re.compile(r"mono|courier|consol|typewriter|menlo|inconsolata|"
+                       r"liberationmono|andalemono|lucidasanstype", re.I)
+CSS_RULE = re.compile(r"\.([\w-]+)\s*\{([^}]*)\}")
 IMG_EXT = {"image/jpeg": ".jpg", "image/png": ".png", "image/gif": ".gif",
            "image/svg+xml": ".svg", "image/webp": ".webp"}
 
 
+def css_styles(zf):
+    """class -> (кегль в em, моноширинный ли) из всех таблиц стилей книги."""
+    out = {}
+    for name in zf.namelist():
+        if not name.lower().endswith(".css"):
+            continue
+        for cls, body in CSS_RULE.findall(zf.read(name).decode("utf-8", "replace")):
+            size = out.get(cls, (0.0, False))[0]
+            m = re.search(r"font-size:\s*([\d.]+)\s*(em|rem|pt|px|%)", body)
+            if m:
+                v = float(m.group(1))
+                size = {"em": v, "rem": v, "pt": v / 12, "px": v / 16,
+                        "%": v / 100}[m.group(2)]
+            fam = re.search(r"font-family:\s*([^;]+)", body)
+            mono = bool(fam and MONO_FONT.search(fam.group(1)))
+            was = out.get(cls, (0.0, False))
+            out[cls] = (size or was[0], mono or was[1])
+    return out
+
+
+def derive_from_css(styles):
+    """(класс -> уровень заголовка, множество моноширинных классов).
+
+    Заголовки — три самых крупных кегля выше основного текста. Больше трёх
+    уровней брать нельзя: дальше начинаются подписи и колонтитулы.
+    """
+    sizes = sorted({s for s, _ in styles.values() if s > 1.05}, reverse=True)[:3]
+    level = {s: i + 1 for i, s in enumerate(sizes)}
+    head = {c: level[s] for c, (s, _) in styles.items() if s in level}
+    mono = {c for c, (_, m) in styles.items() if m}
+    return head, mono
+
+
 class Reader(HTMLParser):
     """Собирает блоки из одного XHTML-документа книги."""
 
-    def __init__(self, on_image):
+    def __init__(self, on_image, head_cls=None, mono_cls=None):
         super().__init__(convert_charrefs=True)
         self.on_image = on_image
+        self.head_cls = head_cls or {}
+        self.mono_cls = mono_cls or set()
         self.blocks = []
         self.cur = None          # (tag, cls, [куски])
         self.open_inline = []    # незакрытые инлайновые теги текущего блока
@@ -69,8 +110,13 @@ class Reader(HTMLParser):
         else:
             txt = re.sub(r"\s+", " ", txt).strip()
         txt = re.sub(r"<(i|b|code)>(\s*)</\1>", r"\2", txt)  # пустая разметка
-        if txt.strip():
+        if not txt.strip():
-            self.blocks.append((tag, cls, txt))
+            return
+        if tag == "pre" and self.blocks and self.blocks[-1][0] == "pre":
+            prev = self.blocks[-1]
+            self.blocks[-1] = (prev[0], prev[1], prev[2] + "\n" + txt)
+            return
+        self.blocks.append((tag, cls, txt))
 
     def start(self, tag, cls):
         self.flush()
@@ -98,7 +144,16 @@ class Reader(HTMLParser):
                 self.cur[2].append("\n" if self.cur[0] == "pre" else " ")
             return
         if tag in BLOCK_MAP:
-            self.start(*BLOCK_MAP[tag])
+            out_tag, out_cls = BLOCK_MAP[tag]
+            if out_tag in ("p", "pre"):
+                for c in (a.get("class") or "").split():
+                    if c in self.head_cls:
+                        out_tag, out_cls = "h%d" % self.head_cls[c], None
+                        break
+                    if c in self.mono_cls:
+                        out_tag, out_cls = "pre", None
+                        break
+            self.start(out_tag, out_cls)
             return
         if tag in ("td", "th") and self.cur and self.cur[0] == "p" \
                 and self.cur[1] == "row" and self.cur[2]:
@@ -220,26 +275,54 @@ def convert(src, out):
         if cover:
             extract(cover, stem="cover")
 
-        for doc in docs:
+        def parse_all(head_cls=None, mono_cls=None):
-            if doc not in names:
+            got = []
-                print("нет в архиве, пропущен: %s" % doc, file=sys.stderr)
+            for doc in docs:
-                continue
+                if doc not in names:
-            here = posixpath.dirname(doc)
+                    print("нет в архиве, пропущен: %s" % doc, file=sys.stderr)
+                    continue
+                here = posixpath.dirname(doc)
 
-            def on_image(src_attr, here=here):
+                def on_image(src_attr, here=here):
-                target = posixpath.normpath(posixpath.join(here, src_attr.split("#")[0]))
+                    target = posixpath.normpath(
-                return extract(target)
+                        posixpath.join(here, src_attr.split("#")[0]))
+                    return extract(target)
 
-            r = Reader(on_image)
+                r = Reader(on_image, head_cls, mono_cls)
-            r.feed(zf.read(doc).decode("utf-8", "replace"))
+                r.feed(zf.read(doc).decode("utf-8", "replace"))
-            r.close()
+                r.close()
-            parts.extend(r.blocks)
+                got.extend(r.blocks)
+            return got
+
+        parts = parse_all()
+        has_head = any(re.fullmatch(r"h[1-6]", t) for t, _, _ in parts)
+        has_pre = any(t == "pre" for t, _, _ in parts)
+        if not (has_head and has_pre):
+            head_cls, mono_cls = derive_from_css(css_styles(zf))
+            if (not has_head and head_cls) or (not has_pre and mono_cls):
+                print("семантики в книге нет (заголовки: %s, листинги: %s) — "
+                      "восстанавливаю по CSS" % (has_head, has_pre))
+                seen.clear()
+                counter[0] = 0
+                parts = parse_all(head_cls if not has_head else None,
+                                  mono_cls if not has_pre else None)
 
     title = out.stem
     lvl = chapter_level(parts)
     parts = [(("h1" if int(t[1]) <= lvl else "h2", c, x)
               if re.fullmatch(r"h[1-6]", t) else (t, c, x))
              for t, c, x in parts]
+    # «Chapter 1» и «Introduction» приезжают отдельными заголовками: в дампе это
+    # две строки. Иначе каждая вторая глава состоит из одного блока.
+    merged = []
+    for part in parts:
+        if (part[0] == "h1" and merged and merged[-1][0] == "h1"
+                and len(merged[-1][2]) < 60):
+            merged[-1] = ("h1", None, merged[-1][2] + ". " + part[2])
+            continue
+        merged.append(part)
+    parts = merged
+
     h1 = sum(1 for p in parts if p[0] == "h1")
     print("главы размечены h%d, глав получилось: %d" % (lvl, h1))
     if h1 < 3:

scripts/test_epub2html.py

@@ -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:
+    for case in (test_convert, test_flat_dump_recovered,
-        test_convert(Path(d))
+                 test_real_markup_wins_over_css):
+        with tempfile.TemporaryDirectory() as d:
+            case(Path(d))
     print("OK")