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:

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):

~/.venvs/pdf2epub/bin/python pdf2html.py --fonts book.pdf

Конвертация:

~/.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

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.