Guide d'extraction de texte brut depuis EPUB : ordre des chapitres et gestion des résidus de formatage

Un livre numérique au format EPUB est essentiellement une archive compressée au format ZIP. Son contenu principal inclut un fichier OPF au format XML, et le nœud spine du fichier OPF définit explicitement l'ordre de lecture de tous les chapitres.

La plupart des outils gratuits extraient le texte trié par nom de fichier des chapitres décompressés, ce qui perturbe l'ordre des chapitres du livre original. Cette approche ne convient qu'aux fichiers EPUB à un seul chapitre, et génère un contenu désordonné pour les livres à plusieurs chapitres.

Le contenu des chapitres dans un EPUB est stocké au format XHTML. L'extraction de texte brut nécessite de supprimer toutes les balises HTML et de conserver le contenu textuel réel encapsulé par les balises.

Les règles de conversion conservent les sauts de paragraphe correspondant à la balise <p> du fichier original, en utilisant une ligne vide pour séparer les différents paragraphes ; elles convertissent les balises <br> en un seul saut de ligne, pour s'adapter aux exigences de mise en page des différents scénarios de lecture.

Le répertoire de navigation intégré d'EPUB génère un texte de table des matières correspondant. La plupart des utilisateurs n'ont pas besoin de ce contenu lors de l'extraction du corps principal, donc l'outil de conversion supprime la page de table des matières par défaut et conserve le texte du corps principal.

Il existe deux modes de traitement pour les notes de bas de page et les annotations intra-chapitres : lors de l'extraction du texte intégral, tout le contenu des annotations est conservé et placé à la fin du chapitre correspondant ; lors de l'extraction du seul corps principal, toutes les annotations peuvent être supprimées. Les utilisateurs peuvent sélectionner l'option correspondante selon leurs besoins.

Les scénarios de synthèse vocale nécessitent que le texte ne soit pas perturbé par des formats redondants. Le format de sortie avec séparation des paragraphes est conforme à la logique de segmentation de phrase de la plupart des logiciels de synthèse vocale, et peut réduire la probabilité de segmentation de phrase incorrecte.

L'extraction de texte brut ne conserve que le contenu textuel. Les ressources binaires telles que les illustrations et l'image de couverture dans un EPUB sont complètement supprimées, ce qui est un résultat inévitable de la sortie de texte brut.

Les informations de formatage du livre original, incluant la taille de police, les marges de page, les styles gras et italique, les paramètres de colonnes, etc., ne peuvent pas être conservées dans le texte brut. La sortie finale ne conserve que le contenu textuel et la structure de séparation des paragraphes.