pdf2epub: конвертер PDF->EPUB с сохранением курсива и структуры глав

2026-08-03 07:28:14 +03:00
commit 7226e10464
3 changed files with 275 additions and 0 deletions
@@ -0,0 +1,102 @@
+# pdf2epub
+
+Конвертация PDF, собранного из электронной книги (Producer: calibre), в EPUB/AZW3
+для Kindle **с сохранением форматирования**: курсив, полужирный, заголовки глав,
+врезки, иллюстрации, склейка абзацев через границы страниц.
+
+## Зачем не `ebook-convert` напрямую
+
+Прямая конвертация `ebook-convert book.pdf book.epub` теряет курсив: poppler
+определяет начертание по имени шрифта и не опознаёт сокращённые имена вроде
+`MinionPro-It` (без подстроки `Italic`). На «The Unicorn Project» получилось
+**435 курсивных фрагментов в PDF против 1 тега `<i>` в EPUB**. Плюс calibre
+размечает основной текст как `<h2>` (2817 штук), потому что определяет заголовки
+по кеглю относительно самого частого.
+
+`pdf2html.py` извлекает текст через PyMuPDF, где начертание берётся из
+свойств span'а, и сам раскладывает блоки по семантике.
+
+## Что делает скрипт
+
+- курсив/полужирный — по имени шрифта span'а (`-It`, `Italic`, `Bold`, `Semibold`);
+- заголовки — по кеглю: `>= 28` или декоративный шрифт — `h1.title`,
+  `>= 24` — `h1` (главы и части), `>= 17` — `h2` (подзаголовок с датой);
+- врезки (дневник, чаты, слайды) — отдельный шрифт семейства → `p.note`;
+- абзац = блок PDF; блок без красной строки в начале страницы приклеивается
+  к абзацу с предыдущей страницы;
+- переносы на конце строки снимаются, соседние `</i><i>` схлопываются;
+- иллюстрации выгружаются в `images/`, обложка рендерится со страницы 1 в 150 dpi;
+- позиционирование не сохраняется намеренно — текст должен течь под любой
+  размер шрифта на читалке.
+
+## Требования
+
+PyMuPDF и calibre:
+
+```bash
+python3 -m venv ~/.venvs/pdf2epub
+~/.venvs/pdf2epub/bin/pip install pymupdf
+sudo dnf install calibre     # если ebook-convert ещё нет
+```
+
+## Использование
+
+Разведка — какие в PDF шрифты и кегли (пороги в скрипте подобраны под вёрстку
+15pt/letter, для другой книги их правят по этому выводу):
+
+```bash
+~/.venvs/pdf2epub/bin/python pdf2html.py --fonts book.pdf
+```
+
+Конвертация:
+
+```bash
+~/.venvs/pdf2epub/bin/python pdf2html.py book.pdf out/book.html
+
+ebook-convert out/book.html "Название.epub" \
+  --title="Название" \
+  --authors="Автор" \
+  --language=en \
+  --cover=out/images/cover.jpg \
+  --level1-toc='//h:h1' --level2-toc='//h:h2' \
+  --page-breaks-before='//h:h1' \
+  --no-default-epub-cover
+
+ebook-convert "Название.epub" "Название.azw3"
+```
+
+`--level1-toc`/`--level2-toc` обязательны: без них calibre строит оглавление
+своей эвристикой и ломает разбивку по главам.
+
+## Куда класть на Kindle
+
+- `.epub` — через Send to Kindle (веб или почта), Amazon конвертирует на своей стороне;
+- `.azw3` — по USB прямо в `documents/` на устройстве.
+
+## Проверка результата
+
+```bash
+python3 - <<'EOF'
+import re
+t = open('out/book.html').read()
+print('курсив:', t.count('<i>'), 'полужирный:', t.count('<b>'))
+print('заголовки:', len(re.findall(r'<h1', t)))
+print('двойные пробелы:', re.sub('<[^>]+>', '', t).count('  '))
+EOF
+```
+
+Двойных пробелов должно быть единицы, курсива — сотни. Ноль курсива означает,
+что имена шрифтов в PDF не попали под правило в `style()`.
+
+## Ограничения
+
+- рассчитан на PDF с текстовым слоем; сканы требуют OCR и сюда не годятся;
+- пороги кеглей и семейство шрифта для врезок — константы под конкретную вёрстку,
+  правятся руками по выводу `--fonts`;
+- колонтитулы и номера страниц не вырезаются: в PDF от calibre их нет.
+  Для типографского PDF понадобится отбрасывать блоки по координате `y`.
+
+## Проверено на
+
+`The Unicorn Project` (Gene Kim), 399 страниц: 40 заголовков, оглавление на
+62 пункта, 430 курсивных фрагментов, 178 врезок, 5 иллюстраций, ~733 тыс. знаков.