EPUBからのプレーンテキスト抽出ガイド：章の順序付けとフォーマット残留物の処理

EPUBの電子書籍は基本的にZIP形式で圧縮されたアーカイブです。コアコンテンツにはXML形式のOPFファイルが含まれており、OPFファイルのspineノードには全章の読み順が明示的に定義されています。

ほとんどの無料ツールは、解凍した章のファイル名でソートしてテキストを抽出するため、元の書籍の章の順序が崩れてしまいます。この手法は単一チャプターのEPUBファイルにのみ適しており、複数チャプターの書籍ではコンテンツの順序が乱れてしまいます。

EPUB内の章コンテンツはXHTML形式で保存されています。プレーンテキストを抽出するには、すべてのHTMLタグを除去し、タグに囲まれた実際の本文コンテンツを保持する必要があります。

本変換規則では、元のファイルの<p>タグに対応する段落の改行を保持し、異なる段落を1つの空行で区切ります。また<br>タグを単一の改行に変換することで、様々な読み上げシナリオのレイアウト要件に適応します。

EPUBに組み込まれたナビゲーションディレクトリからは、対応する目次テキストが生成されます。本文を抽出する際にこのコンテンツを必要としないユーザーが大半であるため、変換ツールはデフォルトで目次ページを除去し、本文テキストを保持します。

脚注および章内注釈には2つの処理モードがあります。全文抽出時にはすべての注釈コンテンツを保持し、対応する章の末尾に配置します。本文テキストのみを抽出する場合は、すべての注釈を除去することができます。ユーザーは自身の用途に応じて対応するオプションを選択できます。

音声読み上げを行うシナリオでは、テキストに余分なフォーマットの干渉がないことが求められます。段落分離された出力フォーマットは、大半の音声読み上げソフトの文切りロジックに適合しており、不適切な文切りが発生する確率を低減できます。

プレーンテキスト抽出ではテキストコンテンツのみを保持します。EPUB内の挿絵や表紙画像などのバイナリリソースは完全に除去されますが、これはプレーンテキスト出力の避けられない結果です。

フォントサイズ、ページ余白、太字・イタリックスタイル、段組み設定などの元の書籍のフォーマット情報は、プレーンテキストで保持することができません。最終的な出力ではテキストコンテンツと段落分離構造のみが保持されます。