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 +1,4 @@
+__pycache__/
+out/
+*.epub
+*.azw3
@@ -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.
@@ -0,0 +1,169 @@
+#!/usr/bin/env python3
+"""PDF (calibre-generated) -> semantic XHTML, preserving italic/bold/headings."""
+import html
+import re
+import sys
+from pathlib import Path
+
+import pymupdf
+
+if sys.argv[1] == "--fonts":  # разведка: какие шрифты/кегли в PDF
+    import collections
+
+    c = collections.Counter()
+    d = pymupdf.open(sys.argv[2])
+    for p in d:
+        for b in p.get_text("dict")["blocks"]:
+            for l in b.get("lines", []):
+                for s in l["spans"]:
+                    c[(s["font"], round(s["size"], 1))] += len(s["text"])
+    for (f, sz), n in c.most_common(25):
+        print("%-32s %5.1f  %8d симв." % (f, sz, n))
+    sys.exit()
+
+SRC = Path(sys.argv[1])
+OUT = Path(sys.argv[2])
+IMGDIR = OUT.parent / "images"
+IMGDIR.mkdir(parents=True, exist_ok=True)
+
+# Пороги подобраны под вёрстку 15pt/letter. Для другой книги сначала
+# посмотреть реальные шрифты и кегли: pdf2html.py --fonts file.pdf
+INDENT_X = 88  # x0 первой строки: больше — абзац с красной строки
+
+
+def style(font):
+    f = font.lower()
+    return ("bold" in f or "semibold" in f, "-it" in f or "italic" in f)
+
+
+def span_html(s):
+    t = html.escape(s["text"])
+    if not t:
+        return ""
+    bold, ital = style(s["font"])
+    if ital:
+        t = "<i>%s</i>" % t
+    if bold:
+        t = "<b>%s</b>" % t
+    return t
+
+
+def block_kind(b):
+    """(tag, css class) from dominant span font/size."""
+    spans = [s for l in b["lines"] for s in l["spans"] if s["text"].strip()]
+    if not spans:
+        return None
+    top = max(spans, key=lambda s: len(s["text"]))
+    f, sz = top["font"], top["size"]
+    if sz >= 28 or f.startswith("Arvo") or f.startswith("CloisterBlack"):
+        return ("h1", "title")
+    if sz >= 24:
+        return ("h1", None)
+    if sz >= 17:
+        return ("h2", None)
+    if f.startswith("MyriadPro"):
+        return ("p", "note")  # Maxine's journal / chat / slides
+    return ("p", None)
+
+
+def block_text(b):
+    out = []
+    for i, l in enumerate(b["lines"]):
+        line = "".join(span_html(s) for s in l["spans"])
+        if not line:
+            continue
+        if out:
+            prev = out[-1]
+            if prev.endswith("-") and not prev.endswith("--"):
+                out[-1] = prev[:-1]  # de-hyphenate
+            else:
+                out.append(" ")
+        out.append(line)
+    txt = "".join(out)
+    txt = re.sub(r"</i>(\s*)<i>", r"\1", txt)
+    txt = re.sub(r"</b>(\s*)<b>", r"\1", txt)
+    return txt.strip()
+
+
+doc = pymupdf.open(SRC)
+parts = []
+open_para = None  # (tag, cls, text) still collecting
+
+# cover
+pix = doc[0].get_pixmap(dpi=150)
+pix.save(IMGDIR / "cover.jpg")
+
+img_n = 0
+for pno, page in enumerate(doc):
+    if pno == 0:
+        continue
+    blocks = sorted(page.get_text("dict")["blocks"], key=lambda b: b["bbox"][1])
+    for bi, b in enumerate(blocks):
+        if b["type"] == 1:
+            img_n += 1
+            name = "img%02d.png" % img_n
+            (IMGDIR / name).write_bytes(b["image"])
+            if open_para:
+                parts.append(open_para)
+                open_para = None
+            parts.append(("figure", None, '<img src="images/%s"/>' % name))
+            continue
+        kind = block_kind(b)
+        if not kind:
+            continue
+        tag, cls = kind
+        txt = block_text(b)
+        if not txt:
+            continue
+        indented = b["lines"][0]["bbox"][0] >= INDENT_X
+        cont = (
+            open_para
+            and tag == "p"
+            and open_para[0] == "p"
+            and open_para[1] == cls
+            and bi == 0
+            and not indented
+        )
+        if cont:
+            join = "" if open_para[2].endswith("-") else " "
+            open_para = (tag, cls, open_para[2] + join + txt)
+            continue
+        if open_para:
+            parts.append(open_para)
+        open_para = (tag, cls, txt)
+if open_para:
+    parts.append(open_para)
+
+CSS = """
+body { margin: 0 1em; }
+h1 { text-align: center; margin: 2em 0 0.2em; page-break-before: always; }
+h1.title { page-break-before: avoid; }
+h2 { text-align: center; font-style: italic; font-weight: normal;
+     font-size: 1.1em; margin: 0.2em 0 1.5em; }
+p { text-indent: 1.2em; margin: 0; text-align: justify; }
+p.note { text-indent: 0; margin: 1em 2em; font-size: 0.9em;
+         font-family: sans-serif; }
+p.figure { text-indent: 0; text-align: center; margin: 1em 0; }
+img { max-width: 100%; }
+"""
+
+buf = ['<?xml version="1.0" encoding="utf-8"?>',
+       '<html xmlns="http://www.w3.org/1999/xhtml"><head>',
+       "<title>%s</title>" % html.escape(doc.metadata.get("title") or SRC.stem),
+       "<style>%s</style></head><body>" % CSS]
+for tag, cls, txt in parts:
+    if tag == "figure":
+        buf.append('<p class="figure">%s</p>' % txt)
+    else:
+        c = ' class="%s"' % cls if cls else ""
+        buf.append("<%s%s>%s</%s>" % (tag, c, txt, tag))
+buf.append("</body></html>")
+doc_html = "\n".join(buf)
+# merge tag runs split at page/line boundaries, collapse doubled spaces
+doc_html = re.sub(r"</(i|b)>(\s*)<\1>", r"\2", doc_html)
+doc_html = re.sub(r"(?<=\S) {2,}(?=\S)", " ", doc_html)
+OUT.write_text(doc_html, encoding="utf-8")
+
+print("blocks:", len(parts), "images:", img_n)
+print("h1:", sum(1 for p in parts if p[0] == "h1"),
+      "p:", sum(1 for p in parts if p[0] == "p"))