EPUB에서 일반 텍스트 추출 가이드: 챕터 순서 지정 및 형식 잔여물 처리

EPUB 전자책은 기본적으로 ZIP 형식으로 압축된 아카이브입니다. 핵심 콘텐츠에는 XML 형식의 OPF 파일이 포함되어 있으며, OPF 파일의 스파인 노드는 모든 챕터의 읽기 순서를 명시적으로 정의합니다.

대부분의 무료 도구는 압축 해제된 챕터의 파일명을 기준으로 정렬하여 텍스트를 추출하므로 원본 책의 챕터 순서가 뒤섞입니다. 이 방식은 단일 챕터 EPUB 파일에만 적합하며, 다중 챕터 책의 경우 콘텐츠 순서가 뒤섞인 결과가 발생합니다.

EPUB의 챕터 콘텐츠는 XHTML 형식으로 저장됩니다. 일반 텍스트를 추출하려면 모든 HTML 태그를 제거하고 태그로 감싸인 실제 본문 텍스트 콘텐츠를 유지해야 합니다.

변환 규칙은 원본 파일의 <p> 태그에 해당하는 단락 줄 바꿈을 유지하며, 서로 다른 단락을 빈 줄 하나로 구분합니다. <br> 태그는 단일 줄 바꿈으로 변환하여 다양한 읽기 시나리오의 레이아웃 요구 사항에 맞춥니다.

EPUB의 내장 탐색 디렉터리는 해당 목차 텍스트를 생성합니다. 대부분의 사용자는 본문 추출 시 이 콘텐츠를 필요로 하지 않으므로 변환 도구는 기본적으로 목차 페이지를 제거하고 본문 텍스트를 유지합니다.

각주와 챕터 내 주석에 대해 두 가지 처리 모드가 있습니다. 전문 추출 시 모든 주석 콘텐츠를 유지하고 해당 챕터의 마지막에 배치하며, 본문 텍스트만 추출할 때 모든 주석을 제거할 수 있습니다. 사용자는 본인의 필요에 따라 해당 옵션을 선택할 수 있습니다.

텍스트 음성 변환 시나리오에서는 텍스트에 불필요한 형식 간섭이 없어야 합니다. 단락 분리가 적용된 출력 형식은 대부분 텍스트 음성 변환 소프트웨어의 문장 분리 논리와 일치하며, 잘못된 문장 분리가 발생할 확률을 줄일 수 있습니다.

일반 텍스트 추출은 텍스트 콘텐츠만 유지합니다. EPUB 내 삽화, 표지 이미지 등 바이너리 리소스는 완전히 제거되며, 이는 일반 텍스트 출력의 불가피한 결과입니다.

원본 책의 글꼴 크기, 페이지 여백, 굵고 기울임꼴 스타일, 열 설정 등 형식 정보는 일반 텍스트에 유지할 수 없습니다. 최종 출력은 텍스트 콘텐츠와 단락 분리 구조만 유지합니다.