Snipaste_2020-02-07_20-13-16.jpg
昨天的文章中提到最常用的epub電子書其實是個zip壓縮文件，而且已經(jīng)拿到了書名和作者名，那今天我們就直接取出書的內(nèi)容。
epub文件里除了opf文件存放書的相關(guān)信息外，還有一個ncx文件存放了目錄結(jié)構(gòu)，它的內(nèi)容類似這樣
<?xml version='1.0' encoding='utf-8'?>
<ncx xmlns="/z3986/2005/ncx/" version="2005-1" xml:lang="zho">
<head>
<meta content="4" name="dtb:depth"/>
</head>
<docTitle>
<text>書名</text>
</docTitle>
<navMap>
<navPoint class="chapter" id="num_1" playOrder="1">
<navLabel>
<text>前言</text>
</navLabel>
<content src="part0001.html"/>
</navPoint>
<navPoint class="chapter" id="num_2" playOrder="2">
<navLabel>
<text>扉頁</text>
</navLabel>
<content src="part0002.html"/>
</navPoint>
英文好的同學(xué)又能一眼看出它的結(jié)構(gòu)了。其它的我們先不管，navMap就是導(dǎo)航地圖的縮寫，navPoint就是章節(jié)，content的src就是每頁的html文件。了解這點就足夠，沒必要讀xml和dtd等這些信息，xpath直接搞定
def extract_outline(self, f):
with self.book.open(f) as ncx:
try:
c = ncx.read().decode('utf-8')
c = c.replace('\n', '').encode('utf-8')
self.outline_file = etree.HTML(c)
outlines = self.outline_file.xpath('//navpoint')
for o in outlines:
chapter = o.find('navlabel').find('text').text
if chapter:
self.outline[chapter] = o.find('content').get('src')
except Exception as e:
print(e)
lxml似乎對xml比較挑剔，用xpath拿不到結(jié)果。好在它也支持html，用小寫的navpoint就可以取到所有的章節(jié)了。我們存放在一個dict里就好。下面就是遍歷這個dict，在zip里找到對應(yīng)的文件。但按道理來說，我們應(yīng)該回到opf文件，找到對應(yīng)的目錄，然后去找。但最近老不出門，小編比較暴躁。反正一本書就是那些頁面，我不相信有重復(fù)文件，直接遍歷下文件列表，只要文件名相同，就肯定是了。
def get_page(self, page_num):
page = list(self.outline.keys())[page_num - 1]
for f in self.book.filelist:
if self.outline[page] == f.filename.split('/')[-1]:
with self.book.open(f) as p:
html = etree.HTML(p.read().decode('utf-8').replace('\n', '').encode('utf-8'))
for e in html.xpath('//*'):
if e.text:
print(e.text)
page_num不應(yīng)該大于目錄dict()的大小，找到對應(yīng)文件后，可以直接返回html，也可以象我一樣用lxml轉(zhuǎn)成text
回到主題，如何強迫自己看書呢。象上次我在這篇文章里講的那樣，建一個計劃任務(wù)，每天發(fā)送兩章到自己的郵箱就好了, 強迫癥的你肯定不會允許未讀郵件的存在吧。
