pdf2epub/scripts/pack_epub.py

#!/usr/bin/env python3
"""XHTML от pdf2html.py/epub2html.py -> EPUB без сторонних зависимостей.

calibre для упаковки не нужен: EPUB — это zip с манифестом, а установка calibre
требует root, которого на чужой машине может не быть. Формат намеренно
консервативный (EPUB 2 + NCX): его одинаково понимают KOReader, штатные читалки
PocketBook и calibre, если он всё-таки понадобится.

Книга режется по <h1>: одна глава — один файл. Так читалка не разбирает
мегабайтный документ на каждом перелистывании и получает оглавление даром.
"""
import argparse
import html
import re
import shutil
import sys
import zipfile
from pathlib import Path

# XML 1.0 запрещает управляющие символы, а из PDF они приезжают регулярно:
# у Бейера («Site Reliability Engineering») 33 главы из 45 не разбирались как
# XML из-за одного такого знака в начале абзаца. Читалка спотыкается молча,
# поэтому чистим на упаковке, а не надеемся на извлечение.
BAD_XML = re.compile(r"[\x00-\x08\x0b\x0c\x0e-\x1f\x7f]")

H1 = re.compile(r"^<h1[^>]*>(.*?)</h1>$")
IMG = re.compile(r'<img src="images/([^"]+)"')
NS = 'xmlns="http://www.w3.org/1999/xhtml"'

CHAPTER = """<?xml version="1.0" encoding="utf-8"?>
<!DOCTYPE html>
<html %s><head><meta charset="utf-8"/><title>%s</title>
<link rel="stylesheet" type="text/css" href="style.css"/></head>
<body>
%s
</body></html>
"""


def split_chapters(lines):
    """[(заголовок, [строки])] — режем по <h1>, преамбулу оставляем главой."""
    chapters, title, buf = [], "Начало", []
    for line in lines:
        m = H1.match(line.strip())
        if m and buf:
            chapters.append((title, buf))
            title, buf = re.sub("<[^>]+>", "", m.group(1)).strip() or "Глава", [line]
            continue
        if m:
            title = re.sub("<[^>]+>", "", m.group(1)).strip() or "Глава"
        buf.append(line)
    if buf:
        chapters.append((title, buf))
    return [(t, b) for t, b in chapters if any(x.strip() for x in b)]


def series_meta(meta):
    """Цикл и номер в нём. Пишем в двух видах: calibre-совместимый meta читают
    почти все читалки, belongs-to-collection — требование EPUB 3."""
    name = meta.get("series")
    if not name:
        return ""
    idx = meta.get("series_index") or ""
    out = ['\n    <meta name="calibre:series" content="%s"/>' % html.escape(name)]
    if idx:
        out.append('<meta name="calibre:series_index" content="%s"/>' % html.escape(str(idx)))
    out.append('<meta property="belongs-to-collection" id="c01">%s</meta>' % html.escape(name))
    out.append('<meta refines="#c01" property="collection-type">series</meta>')
    if idx:
        out.append('<meta refines="#c01" property="group-position">%s</meta>' % html.escape(str(idx)))
    return "\n    ".join(out)


def build(src, out, meta):
    text = BAD_XML.sub("", src.read_text(encoding="utf-8"))
    css = re.search(r"<style>(.*?)</style>", text, re.S)
    css = css.group(1) if css else ""
    body = re.search(r"<body>(.*)</body>", text, re.S)
    lines = (body.group(1) if body else text).splitlines()
    chapters = split_chapters(lines)
    if not chapters:
        sys.exit("в %s нет содержимого" % src)

    imgdir = src.parent / "images"
    used, files = [], []
    # ZIP_DEFLATED обязателен явно: у zipfile умолчание — ZIP_STORED, и книга
    # выходит втрое толще (у Брикмана 1.42 МБ против 0.43 при том же тексте).
    # Первым файлом всё равно идёт несжатый mimetype — этого требует формат.
    with zipfile.ZipFile(out, "w", zipfile.ZIP_DEFLATED) as z:
        # mimetype обязан идти первым и без сжатия — иначе часть читалок
        # не опознаёт архив как EPUB
        z.writestr(zipfile.ZipInfo("mimetype"), "application/epub+zip",
                   compress_type=zipfile.ZIP_STORED)
        z.writestr("META-INF/container.xml",
                   '<?xml version="1.0"?>\n<container version="1.0" '
                   'xmlns="urn:oasis:names:tc:opendocument:xmlns:container">'
                   '<rootfiles><rootfile full-path="OEBPS/content.opf" '
                   'media-type="application/oebps-package+xml"/></rootfiles></container>')
        z.writestr("OEBPS/style.css", css)
        for n, (title, buf) in enumerate(chapters):
            name = "ch%03d.xhtml" % n
            files.append((name, title))
            chunk = "\n".join(buf)
            for img in IMG.findall(chunk):
                if img not in used and (imgdir / img).exists():
                    used.append(img)
            z.writestr("OEBPS/" + name,
                       CHAPTER % (NS, html.escape(title), chunk))
        for img in used:
            z.write(imgdir / img, "OEBPS/images/" + img)
        # Обложка бывает и среди картинок текста — второй раз её класть нельзя,
        # zip примет дубликат имени, а читалки на такой архив ругаются.
        cover = meta["cover"] if meta["cover"] not in used else ""
        if cover and (imgdir / cover).exists():
            z.write(imgdir / cover, "OEBPS/images/" + cover)

        items = ['<item id="css" href="style.css" media-type="text/css"/>',
                 '<item id="ncx" href="toc.ncx" media-type="application/x-dtbncx+xml"/>']
        spine = []
        for i, (name, _) in enumerate(files):
            items.append('<item id="c%d" href="%s" media-type="application/xhtml+xml"/>'
                         % (i, name))
            spine.append('<itemref idref="c%d"/>' % i)
        mime = {".png": "image/png", ".jpg": "image/jpeg", ".jpeg": "image/jpeg",
                ".gif": "image/gif", ".svg": "image/svg+xml"}
        for i, img in enumerate(used + ([cover] if cover else [])):
            items.append('<item id="i%d" href="images/%s" media-type="%s"%s/>'
                         % (i, img, mime.get(Path(img).suffix.lower(), "image/jpeg"),
                            ' properties="cover-image"' if img == meta["cover"] else ""))
        z.writestr("OEBPS/content.opf", """<?xml version="1.0" encoding="utf-8"?>
<package xmlns="http://www.idpf.org/2007/opf" version="3.0" unique-identifier="bid">
  <metadata xmlns:dc="http://purl.org/dc/elements/1.1/">
    <dc:identifier id="bid">%s</dc:identifier>
    <dc:title>%s</dc:title>
    <dc:creator>%s</dc:creator>
    <dc:language>%s</dc:language>%s
  </metadata>
  <manifest>%s</manifest>
  <spine toc="ncx">%s</spine>
</package>""" % (html.escape(meta["id"]), html.escape(meta["title"]),
                 html.escape(meta["author"]), meta["lang"], series_meta(meta),
                 "\n    ".join(items), "\n    ".join(spine)))

        nav = "\n".join(
            '<navPoint id="n%d" playOrder="%d"><navLabel><text>%s</text></navLabel>'
            '<content src="%s"/></navPoint>' % (i, i + 1, html.escape(t), n)
            for i, (n, t) in enumerate(files))
        z.writestr("OEBPS/toc.ncx", """<?xml version="1.0" encoding="utf-8"?>
<ncx xmlns="http://www.daisy.org/z3986/2005/ncx/" version="2005-1">
  <head><meta name="dtb:uid" content="%s"/></head>
  <docTitle><text>%s</text></docTitle>
  <navMap>%s</navMap>
</ncx>""" % (html.escape(meta["id"]), html.escape(meta["title"]), nav))
    return len(chapters), len(used)


def main():
    ap = argparse.ArgumentParser(description=__doc__)
    ap.add_argument("source", type=Path, help="XHTML от pdf2html.py/epub2html.py")
    ap.add_argument("output", type=Path, help="куда писать .epub")
    ap.add_argument("--title", required=True)
    ap.add_argument("--author", default="")
    ap.add_argument("--lang", default="ru")
    ap.add_argument("--cover", default="cover.jpg", help="имя файла в images/")
    ap.add_argument("--series", default="", help="название цикла")
    ap.add_argument("--series-index", default="", help="номер в цикле")
    args = ap.parse_args()
    meta = {"title": args.title, "author": args.author, "lang": args.lang,
            "cover": args.cover, "series": args.series,
            "series_index": args.series_index,
            "id": "urn:uuid:" + args.output.stem.replace(" ", "-")}
    n, imgs = build(args.source, args.output, meta)
    size = args.output.stat().st_size / 2**20
    print("%s: глав %d, картинок %d, %.1f МБ" % (args.output.name, n, imgs, size))


if __name__ == "__main__":
    main()