Regex 希望从ePubs中提取文本，但删除目录。这可能吗？

对于我正在创建的应用程序，我希望从开源ePub中提取文本，并对文本进行操作。但是，我不想要目录。我只想从第一章或序言开始

以古腾堡项目的汤姆·索耶为例：

ePubs几乎只是一个包含大量HTML文档的ZIP文件。因此，在解压ePub之后，我在上面的链接中打开了第一个HTML文件，我得到了第一章以及一堆我不想要的目录

这就是我好奇的地方。是否可以通过我丢失的元数据或Regex删除目录/检测它

---

说清楚一点，我是以编程的方式讲的。

使用sed怎么样：

sed'2，/preference/d'fileName>newFile

或者如果您想保持“序言”的完整性

sed'2，/preforce/{/preforce/n；d}'inputFile>new file

---

或者更好的是

sed'/CONTENTS/，/preforce/{/preforce/n；d}'fileName>newFile

好吧，我想你可以尝试像拉出

preforce

之类的东西，然后再把它全部取出来：

~.*\KPREFACE\n(.*)$~ms

此表达式匹配到

前言

的所有内容，然后将其忘记。然后它匹配

前言

，然后是换行符和其后的任何内容，一直到结尾

不过，我有一种感觉，你可能也想把这些东西放在目录之前。在这种情况下，您可以这样做，以便在比赛前后抓取部件：

~(.*)(?:CONTENTS\n.*?\n{3,})(.*)~ms

这将捕获

内容之前的所有内容

，并将其存储到

\1

中。之后的所有内容都将存储在

\2

中

在PHP中，我会使用

preg_replace

将目录前后的部分放在一起

<?php

$string = preg_replace('~(.*)(?:CONTENTS\n.*?\n{3,})(.*)~ms', '$1$2', $string);
print $string;

---

在epub2中，有一个目录文件。首先，从container.xml开始。在ePub中，它总是在同一个地方，使用相同的名称

$unzip -p /Users/mwu/Downloads/9781434705211.epub META-INF/container.xml
<?xml version="1.0"?>
<container version="1.0" xmlns="urn:oasis:names:tc:opendocument:xmlns:container">
<rootfiles>
    <rootfile full-path="OPS/package.opf" media-type="application/oebps-package+xml"/>
</rootfiles>
</container>

$unzip-p/Users/mwu/Downloads/9781434705211.epub META-INF/container.xml

这表明ePub包元数据位于OPS/package.opf中。包元数据指定ePub中的所有文件都有一个清单，并有一个spine项列表定义它们在书中的顺序。spine标记还使用toc属性定义目录的位置。此外，书脊中列出的项目表示构成书籍本身的文件。列出的任何内容linear=“no”都是辅助内容，而不是主要内容。规范规定，第一个linear=“yes”（默认值）开始主阅读顺序，但可以包含（本书中的情况）目录作为本书本身的一部分

<manifest>
...
<item id="ncx" href="toc.ncx" media-type="application/x-dtbncx+xml"/>
...
</manifest>
<spine toc="ncx">
<itemref idref="my-html-cover" linear="no"/>
<itemref idref="title"/>
<itemref idref="f1"/>
<itemref idref="ded"/>
<itemref idref="contents"/>
<itemref idref="ack"/>
<itemref idref="f2"/>
<itemref idref="chapter1"/>
<itemref idref="chapter2"/>
<itemref idref="chapter3"/>
<itemref idref="chapter4"/>
<itemref idref="chapter5"/>
<itemref idref="chapter6"/>
<itemref idref="chapter7"/>
<itemref idref="b1"/>
<itemref idref="b2"/>
<itemref idref="b3"/>
<itemref idref="b4"/>
<itemref idref="copyright"/>
</spine>

...
...

这表明目录由引用toc.ncx文件的清单中的ncx项标识。请注意，路径是相对于package.opf文件的，因此可以在OPS/toc.ncx中找到它

toc.ncx文件包含一个navMap标记，其中列出了定义书籍不同部分的navPoint标记以及对它们的引用

在package.opf文件中的标记和toc.ncx文件中，您都可以获得该书各部分的列表以及它们的顺序。它们还都列出了contents.html，我认为这是您想要排除的内容。在书脊目录中并没有一致的东西可以识别，也不能保证它甚至存在于一本书中。您可以尝试扫描spine标记以及每个spine项目文件的内容，以查找通常标识目录的单词或引用书籍中其他spine项目的一系列链接，但这可能无法100%捕获所有内容

一般来说，这样的文件被认为是本书的一部分，删除它们被认为是不正确的（可访问性是更大的原因之一）

---

另外，请注意，ePub 2文件规范可在中找到。ePub 3规范位于

虽然我个人不建议在任何时候使用基于DOM的方法，但我认为在这种情况下不可能使用基于DOM的方法

我能够在两行JavaScript代码中实现所需的结果，您可以在浏览器控制台中测试这些代码

var dbody = document.body;
dbody.innerHTML = "<h2>" + dbody.innerHTML.substring(dbody.innerHTML.indexOf("PREFACE"));

var dbody=document.body；
dbody.innerHTML=“”+dbody.innerHTML.substring（dbody.innerHTML.indexOf（“前言”）；

---

此代码应在前言之前删除文档正文中的所有内容。

您是否尝试过Calibre？@sbumb他们是否有API？我是以编程的方式说的。再想想这个，我想我应该解析脊椎项目中的html，并查找引用其他脊椎项目的锚定标记。其中一系列可能会标识一个目录。在ncx文件中，它引用HTMLDOM中目录的#id。这是eht的最佳选择吗？看起来在本例中，它确实在ncx中列出了TOC（opf文件指南部分中的参考也指出了TOC:）。我认为ePubs不需要提供这些参考资料，因此在某些ePubs中寻找这些参考资料是可行的，而在其他ePubs中则不然。这是一个很好的起点，但您必须有一种回退方法来检测书籍内容中的目录。我想说，在书籍内容中查找toc的一个相当可靠的算法是：1：检查ncx（epub 2）或toc xhtml文件（epub 3）中是否有名为contents的条目（不区分大小写比较）。2：检查OPF文件中指南中是否有type=“toc”引用的条目。3：返回到使用正则表达式搜索脊椎项目，类似于此处其他答案所建议的正则表达式。还要注意的是，并非所有的epub都会包含内容内toc——它们可能依赖于epub特定的toc文件。我认为这并不像您希望的那样简单，但我希望它能有所帮助。