pdf2epub/scripts/pdf2html.py

#!/usr/bin/env python3
"""PDF (calibre-generated) -> semantic XHTML, preserving italic/bold/headings."""
import collections
import html
import re
import sys
from pathlib import Path

import pymupdf

import bookhtml

if len(sys.argv) < 3 or sys.argv[1] in ("-h", "--help"):
    sys.exit("usage: pdf2html.py book.pdf out.html | pdf2html.py --fonts book.pdf")

if sys.argv[1] == "--fonts":  # разведка: какие шрифты/кегли в PDF
    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 не зашиты: имена шрифтов у многих издательств вычищены до вида
# «Fd820825», а кегль основного текста у каждой книги свой. Профиль считается по
# самому файлу, увидеть его: pdf2html.py --fonts file.pdf
ITALIC, MONO, BOLD = 2, 8, 16  # биты span["flags"] в PyMuPDF
MIN_IMG = 24  # pt: всё мельче — линейки, буллеты и прочая вёрстка, не иллюстрации
MAX_IMG_SHARE = 0.6  # доля площади страницы: больше — это скан полосы, а не рисунок
# Запасное опознание листинга, когда издатель вычистил и имена шрифтов, и флаги:
# кегль мельче основного текста плюс пунктуация, которой в прозе не бывает.
CODEY = re.compile(r"[{}();\[\]<>=*/#]|::|->")


def style(font, flags=0):
    """Полужирный и курсив: сначала флаги, затем имя — имена бывают пустыми."""
    f = font.lower()
    return (bool(flags & BOLD) or "bold" in f or "semibold" in f,
            bool(flags & ITALIC) or "-it" in f or "italic" in f)


def is_mono(s):
    """Моноширинный шрифт = листинг кода. Признак из флагов, а не из имени:
    имена у каждого издательства свои, флаг одинаковый."""
    return bool(s["flags"] & MONO)


def profile(doc, step=7):
    """(кегль текста, x0 красной строки, кегль глав) по выборке страниц.

    Кегль глав берётся из гистограммы, а не как «в полтора раза больше текста»:
    у книги обычно два-три размера заголовков, и если объявить главой каждый из
    них, оглавление на читалке распухает до трёхсот пунктов вместо двадцати.
    """
    size_chars = collections.Counter()
    head_blocks = collections.Counter()
    x0 = collections.Counter()
    for pno in range(1, doc.page_count, step):
        for b in doc[pno].get_text("dict")["blocks"]:
            spans = [sp for l in b.get("lines", []) for sp in l["spans"]
                     if sp["text"].strip()]
            if not spans:
                continue
            for l in b["lines"]:
                x0[round(l["bbox"][0])] += 1
            for sp in spans:
                size_chars[round(sp["size"], 1)] += len(sp["text"])
            top = max(spans, key=lambda sp: len(sp["text"]))
            head_blocks[round(top["size"], 1)] += 1
    if not size_chars:
        sys.exit("в PDF нет извлекаемого текста — нужен OCR, этот скрипт не поможет")
    body = size_chars.most_common(1)[0][0]
    # кандидаты в главы: крупнее текста и встречаются не единожды (единичный
    # размер — это титул, а не уровень заголовка)
    cand = sorted((sz for sz, n in head_blocks.items()
                   if sz >= body * 1.15 and n >= 3), reverse=True)
    h1 = cand[0] if cand else body * 1.55
    left = min(x for x, n in x0.most_common(4))
    return body, left + max(4, body * 0.6), h1


def span_html(s, plain=False):
    t = html.escape(s["text"])
    if not t:
        return ""
    if plain:  # внутри <pre> курсив и полужирный только мешают
        return t
    if is_mono(s):
        return "<code>%s</code>" % t
    bold, ital = style(s["font"], s["flags"])
    if ital:
        t = "<i>%s</i>" % t
    if bold:
        t = "<b>%s</b>" % t
    return t


def looks_like_code(spans):
    """Доля кодовой пунктуации. Порог низкий: в прозе на 200 знаков не набирается
    и десятка скобок со звёздочками, в листинге — набирается всегда."""
    text = "".join(s["text"] for s in spans)
    return len(text) > 8 and len(CODEY.findall(text)) / len(text) > 0.03


def block_kind(b, body, h1_size):
    """(tag, css class) по кеглю блока относительно основного текста книги."""
    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"]))
    sz = top["size"]
    if all(is_mono(sp) for sp in spans):
        return ("pre", None)
    if sz <= body * 0.93 and looks_like_code(spans):
        return ("pre", None)
    if sz >= h1_size * 1.35:
        return ("h1", "title")
    if sz >= h1_size * 0.97:
        return ("h1", None)
    if sz >= body * 1.15:
        return ("h2", None)
    return ("p", None)


def block_text(b, pre=False):
    if pre:
        # Перенос строки в коде значим, висящий дефис — это минус, а не перенос
        # слова. Ни склейки строк, ни де-дефисации здесь быть не должно.
        rows = ["".join(span_html(s, plain=True) for s in l["spans"])
                for l in b["lines"]]
        return "\n".join(rows).rstrip()
    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)
    txt = re.sub(r"(?<=\S) {2,}(?=\S)", " ", txt)
    return txt.strip()


doc = pymupdf.open(SRC)
BODY, INDENT_X, H1_SIZE = profile(doc)
print("кегль текста %.1f, глав %.1f, красная строка от x0=%.0f"
      % (BODY, H1_SIZE, INDENT_X))
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:
            x0, y0, x1, y1 = b["bbox"]
            if x1 - x0 < MIN_IMG or y1 - y0 < MIN_IMG:
                continue  # линейка или буллет, а не иллюстрация
            page_area = page.rect.width * page.rect.height
            if page_area and (x1 - x0) * (y1 - y0) / page_area > MAX_IMG_SHARE:
                continue  # подложка отсканированной полосы: текст берём из OCR-слоя
            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, False))
            continue
        kind = block_kind(b, BODY, H1_SIZE)
        if not kind:
            continue
        tag, cls = kind
        # Глава открывает полосу, раздел встречается по тексту. Признак —
        # верхняя треть страницы, а не «первый блок»: сверху нередко идёт
        # колонтитул или плашка, и тогда первым заголовок не бывает никогда.
        at_top = b["bbox"][1] < page.rect.height * 0.35
        txt = block_text(b, pre=(tag == "pre"))
        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, open_para[3])
            continue
        if open_para:
            parts.append(open_para)
        open_para = (tag, cls, txt, at_top)
if open_para:
    parts.append(open_para)

# Понижаем заголовки не с верха полосы до раздела — но только если глав после
# этого остаётся достаточно: у части книг главы начинаются в середине страницы,
# и тогда правило обнулило бы оглавление целиком.
top_h1 = sum(1 for t, c, x, top in parts if t == "h1" and c is None and top)
if top_h1 >= 5:
    parts = [(("h2" if (t == "h1" and c is None and not top) else t), c, x, top)
             for t, c, x, top in parts]
parts = [(t, c, x) for t, c, x, _ in parts]

# «1» и «Списки» приезжают отдельными блоками: номер главы набран крупно, её
# название — отдельной строкой. В оглавлении читалки нужен один пункт.
merged = []
for part in parts:
    if (part[0] == "h1" and merged and merged[-1][0] == "h1"
            and len(merged[-1][2]) < 60):
        merged[-1] = ("h1", merged[-1][1], merged[-1][2] + ". " + part[2])
        continue
    if (part[0] == "h2" and merged and merged[-1][0] == "h1"
            and len(merged[-1][2]) < 12):
        merged[-1] = ("h1", merged[-1][1], merged[-1][2] + ". " + part[2])
        continue
    merged.append(part)
parts = merged

doc_html = bookhtml.document(doc.metadata.get("title") or SRC.stem, parts)
# merge tag runs split at page/line boundaries. Пробелы здесь уже не трогаем:
# внутри <pre> они значимы, а в прозе схлопнуты в block_text.
doc_html = re.sub(r"</(i|b|code)>(\s*)<\1>", r"\2", 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"),
      "pre:", sum(1 for p in parts if p[0] == "pre"))