pdf2epub/scripts/fb2html.py

#!/usr/bin/env python3
"""FB2 -> тот же XHTML, что выдают pdf2html.py и epub2html.py.

FB2 в этой библиотеке основной формат (704 тысячи файлов), и без этого входа
конвейер до них не дотягивается. Разметка у fb2 уже семантическая, поэтому
задача та же, что у epub2html.py: привести чужие теги к нашим.

Только стандартная библиотека.
"""
import argparse
import html
import re
import sys
import zipfile
from html.parser import HTMLParser
from pathlib import Path

import bookhtml

BLOCK = {"p": ("p", None), "v": ("p", "li"), "subtitle": ("h2", None),
         "text-author": ("p", "note"), "th": ("p", "row"), "td": ("p", "row")}
INLINE = {"emphasis": "i", "strong": "b", "code": "code", "sub": "i", "sup": "i"}
DROP = {"description", "binary", "stylesheet"}


class Reader(HTMLParser):
    def __init__(self):
        super().__init__(convert_charrefs=True)
        self.blocks, self.cur, self.open_i, self.drop = [], None, [], 0
        self.depth = 0          # вложенность section: даёт уровень заголовка
        self.in_title = False

    def flush(self):
        if not self.cur:
            return
        tag, cls, parts = self.cur
        self.cur = None
        for t in reversed(self.open_i):
            parts.append("</%s>" % t)
        self.open_i = []
        txt = re.sub(r"\s+", " ", "".join(parts)).strip()
        if txt:
            self.blocks.append((tag, cls, txt))

    def handle_starttag(self, tag, attrs):
        if tag in DROP:
            self.drop += 1
            return
        if self.drop:
            return
        if tag == "section":
            self.depth += 1
            return
        if tag == "title":
            self.flush()
            self.in_title = True
            return
        if tag == "empty-line":
            self.flush()
            return
        if tag == "image":
            return                      # картинки fb2 лежат в base64, пропускаем
        if self.in_title and tag == "p":
            # заголовок раздела: уровень по вложенности section
            self.flush()
            self.cur = ("h1" if self.depth <= 2 else "h2", None, [])
            return
        if tag in BLOCK:
            self.flush()
            self.cur = (BLOCK[tag][0], BLOCK[tag][1], [])
            return
        if tag in INLINE and self.cur:
            out = INLINE[tag]
            self.open_i.append(out)
            self.cur[2].append("<%s>" % out)

    def handle_endtag(self, tag):
        if tag in DROP:
            self.drop = max(0, self.drop - 1)
            return
        if self.drop:
            return
        if tag == "section":
            self.flush()
            self.depth = max(0, self.depth - 1)
            return
        if tag == "title":
            self.flush()
            self.in_title = False
            return
        if tag in BLOCK:
            self.flush()
            return
        if tag in INLINE and self.cur:
            out = INLINE[tag]
            if out in self.open_i:
                self.open_i.remove(out)
                self.cur[2].append("</%s>" % out)

    def handle_data(self, data):
        if self.drop or not self.cur:
            return
        self.cur[2].append(html.escape(data, quote=False))

    def close(self):
        super().close()
        self.flush()


def read_fb2(path):
    p = Path(path)
    if p.suffix.lower() == ".zip" or zipfile.is_zipfile(p):
        with zipfile.ZipFile(p) as z:
            name = next(n for n in z.namelist() if n.lower().endswith(".fb2"))
            raw = z.read(name)
    else:
        raw = p.read_bytes()
    enc = "utf-8"
    m = re.search(rb'encoding="([\w-]+)"', raw[:200])
    if m:
        enc = m.group(1).decode("ascii", "ignore")
    return raw.decode(enc, "replace")


def meta(text):
    """(автор, название) из description — для метаданных EPUB."""
    def tag(name):
        m = re.search(r"<%s>(.*?)</%s>" % (name, name), text, re.S)
        return re.sub(r"<[^>]+>", " ", m.group(1)).strip() if m else ""
    ti = re.search(r"<title-info>(.*?)</title-info>", text, re.S)
    block = ti.group(1) if ti else text
    first = re.search(r"<first-name>(.*?)</first-name>", block, re.S)
    last = re.search(r"<last-name>(.*?)</last-name>", block, re.S)
    author = " ".join(re.sub(r"<[^>]+>", "", x.group(1)).strip()
                      for x in (first, last) if x).strip()
    book = re.search(r"<book-title>(.*?)</book-title>", block, re.S)
    return author, (re.sub(r"<[^>]+>", "", book.group(1)).strip() if book else "")


def main():
    ap = argparse.ArgumentParser(description=__doc__)
    ap.add_argument("source", type=Path)
    ap.add_argument("output", type=Path)
    args = ap.parse_args()
    text = read_fb2(args.source)
    body = re.search(r"<body[^>]*>(.*)</body>", text, re.S)
    r = Reader()
    r.feed(body.group(1) if body else text)
    r.close()
    if not r.blocks:
        sys.exit("в %s не нашлось текста" % args.source)
    author, title = meta(text)
    args.output.parent.mkdir(parents=True, exist_ok=True)
    args.output.write_text(bookhtml.document(title or args.output.stem, r.blocks),
                           encoding="utf-8")
    print("blocks: %d, h1: %d, p: %d" % (len(r.blocks),
          sum(1 for t, _, _ in r.blocks if t == "h1"),
          sum(1 for t, _, _ in r.blocks if t == "p")))
    print("метаданные: %s — %s" % (author or "?", title or "?"))


if __name__ == "__main__":
    main()