Guia para Extrair Texto Simples de EPUB: Ordenação de Capítulos e Tratamento de Resíduos de Formatação

Um ebook EPUB é essencialmente um arquivo compactado no formato ZIP. Seu conteúdo principal inclui um arquivo OPF no formato XML, e o nó spine do arquivo OPF define explicitamente a ordem de leitura de todos os capítulos.

A maioria das ferramentas gratuitas extrai texto ordenado pelo nome de arquivo dos capítulos descompactados, o que perturba a ordem de capítulos do livro original. Esta abordagem só é adequada para arquivos EPUB de capítulo único, e resultará em conteúdo desordenado para livros com vários capítulos.

O conteúdo de capítulo no EPUB é armazenado no formato XHTML. A extração de texto simples requer a remoção de todas as tags HTML e a retenção do conteúdo de texto corporal real envolvido pelas tags.

As regras de conversão retêm as quebras de linha de parágrafo correspondentes à tag <p> no arquivo original, usando uma linha em branco para separar parágrafos diferentes; convertem tags <br> em uma única quebra de linha, para se adaptar aos requisitos de layout de diferentes cenários de leitura.

O diretório de navegação integrado do EPUB gera texto de índice correspondente. A maioria dos usuários não precisa desse conteúdo ao extrair o corpo principal, então a ferramenta de conversão remove a página do índice por padrão e retém o texto do corpo principal.

Existem dois modos de processamento para notas de rodapé e anotações dentro do capítulo: ao extrair texto completo, todo o conteúdo da anotação é retido e colocado no final do capítulo correspondente; ao extrair apenas o texto do corpo principal, todas as anotações podem ser removidas. Os usuários podem selecionar a opção correspondente de acordo com suas próprias necessidades.

Cenários de texto para fala exigem que o texto esteja livre de interferência de formato redundante. O formato de saída com separação de parágrafos está em conformidade com a lógica de quebra de frases da maioria dos softwares de texto para fala, e pode reduzir a probabilidade de quebra incorreta de frases.

A extração de texto simples retém apenas o conteúdo de texto. Recursos binários como ilustrações e imagens de capa no EPUB são completamente removidos, o que é um resultado inevitável da saída de texto simples.

Informações de formatação do livro original, incluindo tamanho de fonte, margens de página, estilos em negrito e itálico, configurações de coluna, etc., não podem ser retidas em texto simples. A saída final retém apenas o conteúdo de texto e a estrutura de separação de parágrafos.