Leitfaden zum Extrahieren von Klartext aus EPUB: Kapitelreihenfolge und Umgang mit Formatresten

Ein EPUB-Ebook ist im Kern ein komprimiertes Archiv im ZIP-Format. Sein Kerninhalt umfasst eine OPF-Datei im XML-Format, wobei der Spine-Knoten der OPF-Datei die Lesereihenfolge aller Kapitel explizit definiert.

Die meisten kostenlosen Tools extrahieren Text sortiert nach den Dateinamen der entpackten Kapitel, wodurch die Kapitelreihenfolge des Originalbuchs gestört wird. Dieser Ansatz ist nur für EPUB-Dateien mit einem einzelnen Kapitel geeignet und führt bei Büchern mit mehreren Kapiteln zu ungeordnetem Inhalt.

Kapitelinhalte in EPUB werden im XHTML-Format gespeichert. Die Extraktion von Klartext erfordert das Entfernen aller HTML-Tags und die Beibehaltung des tatsächlichen, von den Tags umschlossenen Textinhalts.

Die Konvertierungsregeln behalten Absatzzeilenumbrüche bei, die dem <p>-Tag in der Originaldatei entsprechen, wobei eine leere Zeile zur Trennung verschiedener Absätze verwendet wird; <br>-Tags werden zu einem einzelnen Zeilenumbruch konvertiert, um die Layoutanforderungen verschiedener Leseszenerien zu erfüllen.

Das eingebaute Navigationsverzeichnis von EPUB generiert entsprechenden Inhaltsverzeichnistext. Die meisten Nutzer benötigen diesen Inhalt nicht bei der Extraktion des Haupttextes, daher entfernt das Konvertierungstool die Inhaltsverzeichnisseite standardmäßig und behält den Haupttext bei.

Es gibt zwei Verarbeitungsmodi für Fußnoten und Anmerkungen innerhalb von Kapiteln: bei der Extraktion des vollständigen Textes wird der gesamte Anmerkungsinhalt beibehalten und am Ende des entsprechenden Kapitels platziert; bei der Extraktion nur des Haupttextes können alle Anmerkungen entfernt werden. Nutzer können die entsprechende Option nach eigenen Anforderungen auswählen.

Text-to-Speech-Szenarien erfordern, dass Text frei von überflüssigen Formatstörungen ist. Das Ausgabeformat mit Absatztrennung entspricht der Satztrennlogik der meisten Text-to-Speech-Software und kann die Wahrscheinlichkeit falscher Satztrennung verringern.

Bei der Klartext-Extraktion wird nur Textinhalt beibehalten. Binärressourcen wie Illustrationen und Umschlagbilder in EPUB werden vollständig entfernt, was ein unvermeidbares Ergebnis der Klartextausgabe ist.

Formatierungsinformationen des Originalbuchs, einschließlich Schriftgröße, Seitenränder, fette und kursive Schrift, Spalteneinstellungen usw., können im Klartext nicht beibehalten werden. Die endgültige Ausgabe behält nur Textinhalt und die Absatztrennungsstruktur bei.