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.

scripts/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.

Подключение как скил Claude Code

Репозиторий одновременно является скилом (SKILL.md в корне) и клонируется прямо в каталог скила — никаких симлинков и зависимости от ~/Projects, структура каталогов на разных ПК может не совпадать:

git clone https://git.katze-lab.ru/chesirecatt/pdf2epub.git ~/.claude/skills/pdf-to-kindle

Скил pdf-to-kindle появится в списке доступных при следующем запуске сессии.

Ручной клон нужен только если нет синхронизации памяти. Штатный путь — автоматический: репозиторий перечислен в массиве SKILL_REPOS в sync.sh репозитория claude-memory, который крутится по таймеру claude-memory-sync.timer раз в 10 минут. На новом ПК скил клонируется сам при первом же прогоне синхронизации памяти, дальше обновляется. Ручных шагов и правки systemd-юнита не требуется.

Синхронизация односторонняя (pull): правки вносятся и пушатся руками из ~/.claude/skills/pdf-to-kindle.

Чтобы добавить в автосинхронизацию ещё один скил — строка в SKILL_REPOS формата "<git-url> <имя каталога скила>".

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 scripts/pdf2html.py --fonts book.pdf

Конвертация:

~/.venvs/pdf2epub/bin/python scripts/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.

Перевод (опционально)

Перевод делает сторонний проект vetermanve/book_translator (DeepSeek или локальная Ollama). Репозиторий не модифицируется — он вызывается через свой штатный CLI и форматы файлов. scripts/translate.py — мост: раскладывает наш XHTML в его входной JSON, запускает 03_translate_parallel.py --all, собирает результат обратно.

Подготовка (один раз):

git clone https://github.com/vetermanve/book_translator.git ~/Projects/book_translator
~/.venvs/pdf2epub/bin/pip install openai python-dotenv   # openai нет в их requirements.txt
export DEEPSEEK_API_KEY=...    # либо .env в рабочем каталоге, либо USE_OLLAMA

Сначала проверка, нужен ли перевод вообще (язык, объём; ничего не тратит):

~/.venvs/pdf2epub/bin/python scripts/translate.py out/book.html out/book.ru.html \
  --repo ~/Projects/book_translator --workdir out/tr --check-only

Если книга уже на целевом языке, скрипт откажется переводить (--force переопределяет). Сам перевод:

~/.venvs/pdf2epub/bin/python scripts/translate.py out/book.html out/book.ru.html \
  --repo ~/Projects/book_translator --workdir out/tr --workers 12

Прерванный перевод возобновляется: сторонний скрипт помнит готовые главы. Дальше out/book.ru.html упаковывается тем же ebook-convert с --language=ru.

Курсив и полужирный переживают внешний переводчик в виде маркеров ⟦i⟧…⟦/i⟧; на обратном пути баланс маркеров проверяется по каждому абзацу. Картинки, заголовки и порядок блоков вообще не покидают наш скрипт — наружу уходит только текст, сборка идёт по индексам. В отчёте после перевода: «без перевода» — главы, вернувшиеся с другим числом абзацев (оставлен оригинал), «разметка потеряна» — абзацы, где модель испортила маркеры и курсив снят. Оба числа должны быть близки к нулю.

Самопроверка моста без сети и ключей:

cd scripts && python3 test_translate.py

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.