☰

提取 epub 文件的目录

tag-icon • tag-icon command-line file-format ebooks epub
提取 epub 文件的目录

最近我点击了打印文件目录的命令pdf。

mutool show file.pdf outline

我想使用一个epub与上述格式类似的简单用法和良好结果的命令pdf。

有这样的事吗？

答案1

.epub文件是.zip包含 XHTML 和 CSS 以及其他一些文件（包括图像、各种元数据文件，可能还有一个称为toc.ncx包含目录的 XML 文件）的文件。

以下脚本用于unzip -p提取toc.ncx到 stdout，并通过管道传输XML2命令，然后sed仅提取每个章节标题的文本。

它在命令行上接受一个或多个文件名参数。

#! /bin/sh

# This script needs InfoZIP's unzip program
# and the xml2 tool from http://ofb.net/~egnor/xml2/
# and sed, of course.

for f in "$@" ; do
    echo "$f:"
    unzip -p "$f" toc.ncx | 
        xml2 | 
        sed -n -e 's:^/ncx/navMap/navPoint/navLabel/text=:  :p'
    echo
done

它输出 epub 的文件名，后跟:，然后在接下来的行中将每个章节标题缩进两个空格。例如：

book.epub:
  Chapter One
  Chapter Two
  Chapter Three
  Chapter Four
  Chapter Five

book2.epub:
  Chapter One
  Chapter Two
  Chapter Three
  Chapter Four
  Chapter Five

如果 epub 文件不包含toc.ncx，您将看到该特定书籍的如下输出：

book3.epub:
caution: filename not matched:  toc.ncx
error: Extra content at the end of the document

第一个错误行来自unzip，第二个错误行来自xml2。 xml2还将警告它发现的其他错误 - 例如格式不正确的toc.ncx文件。

请注意，错误消息位于 stderr 上，而本书的文件名仍位于 stdout 上。

xml2可以为 Debian、Ubuntu 和其他 debian 衍生品以及大多数其他 Linux 发行版预先打包。

对于像这样的简单任务（即您只想将 XML 转换为面向行的格式以便与sed、awk、cut、grep等一起使用），xml2比xmlstarlet.

顺便说一句，如果您还想打印 epub 的标题，请将sed脚本更改为：

sed -n -e 's:^/ncx/navMap/navPoint/navLabel/text=:  :p
           s!^/ncx/docTitle/text=!  Title: !p'

或用脚本替换它awk：

awk -F= '/(navLabel|docTitle)\/text/ {print $2}'

答案2

虽然 @cas 提供的答案在某些情况下有效，但它基于 epub 版本 2.0 的假设，并且 NCX 文档toc.ncx在 zip 容器的顶层命名。在我在一个文件夹中拥有的 223 个 epub 中，只有 5 个仍然满足这一假设 - 并且这些 epub 包含它只是为了与旧的阅读器系统兼容。这toc.ncx不是必需的文件 - 必需的文件是META-INF/content.xml.这将包含指向 epub 的所有其他元素的指针。这使得通过 bash 编写脚本有点复杂，但也是可能的。这是一个将从 opf 文件中提取标题和作者的脚本（通过 content.xml 指向）：

#! /bin/sh

for f in "$@" ; do
    echo -n "$f""   "
    opf=$(unzip -p "$f" META-INF/container.xml | 
        xml2 | 
        sed -n -e 's:^/container/rootfiles/rootfile/@full-path=::p')
    unzip -p "$f" "$opf" |
        xml2 |
        sed -n -e 's!^/package/metadata/dc:title=!  !p' | tr  '
' ' '
    unzip -p "$f" "$opf" |
        xml2 |
        sed -n -e 's!^/package/metadata/dc:creator=!    !p' | tr  '
' ' '
    echo
done

是的，它解析opf两次，以确保结果的顺序 - 这会生成一个制表符分隔的 3 列文件（这些是两个刘海之间的 sed 行中的制表符），适合电子表格导入。

再一步查找 ncx 文件有点棘手，因为使用 xml2 为每个标签和属性生成一行对我们不利：我们需要属性等于 的属性href的值。我们可以作一点欺骗，希望原始项目全部在一行上，然后使用 grep 提取该片段，然后使用 xml2 处理它以获得 href 值。media-typeapplication/x-dtbncx+xml

由于这是一个相对 url，我们还需要从 opf 条目中提取路径部分。把它们放在一起，给我们：

#! /bin/sh

for f in "$@" ; do
    echo "$f""  "
    opf=$(unzip -p "$f" META-INF/container.xml | 
        xml2 | 
        sed -n -e 's:^/container/rootfiles/rootfile/@full-path=::p')
    ncx=$(unzip -p "$f" "$opf" |
        grep application/x-dtbncx+xml| 
        xml2 |
        sed -n -e 's!^/item/@href=!!p')
    opf_filename=${opf##*/}
    opf_path=${opf%$opf_filename}
    unzip -p "$f" ${opf_path}${ncx} |
        xml2 |
        sed -n -e 's:^/ncx/navMap/navPoint/navLabel/text=:  :p
                   s!^/ncx/docTitle/text=!Title: !p'
done

这仍然做出假设，最有力的是这些是 epub2 兼容文件，因此在某处包含 ncx 文件。 Epub3 文档使用不同的基于 HTML 的导航格式。即便如此，我确实获得了所有 223 个测试文件的目录（尽管有些在 ncx 中缺少标题）

相关内容