社区主页 文章详情

个人成长秘籍之三,每天用Python强迫自己看两页书

DigiHacker 02-07 20:51 关注

昨天的<文章>中提到最常用的epub电子书其实是个zip压缩文件,而且已经拿到了书名和作者名,那今天我们就直接取出书的内容。

epub文件里除了opf文件存放书的相关信息外,还有一个ncx文件存放了目录结构,它的内容类似这样


书名

前言

扉页

英文好的同学又能一眼看出它的结构了。其它的我们先不管,navMap就是导航地图的缩写,navPoint就是章节,content的src就是每页的html文件。了解这点就足够,没必要读xml和dtd等这些信息,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似乎对xml比较挑剔,用xpath拿不到结果。好在它也支持html,用小写的navpoint就可以取到所有的章节了。我们存放在一个dict里就好。下面就是遍历这个dict,在zip里找到对应的文件。但按道理来说,我们应该回到opf文件,找到对应的目录,然后去找。但最近老不出门,小编比较暴躁。反正一本书就是那些页面,我不相信有重复文件,直接遍历下文件列表,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不应该大于目录dict()的大小,找到对应文件后,可以直接返回html,也可以象我一样用lxml转成text

回到主题,如何强迫自己看书呢。象上次我在<这篇文章>里讲的那样,建一个计划任务,每天发送两章到自己的邮箱就好了, 强迫症的你肯定不会允许未读邮件的存在吧。

未经授权,不得转载

展开阅读全文

打开App,查看更多好文内容

暂无评论,打开APP参与讨论

猜你喜欢
编辑精选
相关商品推荐
2
14
0
你已经点过赞了
新浪微博 QQ空间 微信好友 豆瓣
当前为触屏版
热门搜索