EPUB提取纯文本 章节顺序与格式残留处理指南

EPUB电子书本质是ZIP格式压缩包，核心内容包含XML格式的OPF文件，OPF文件的spine节点会明确定义各章节的阅读顺序。

多数免费工具按解压后的章节文件名排序提取文本，会打乱原版图书的章节顺序，仅适合单章节EPUB使用，多章节图书会出现内容混乱。

EPUB的章节内容存储为XHTML格式，提取纯文本需要剔除所有HTML标签，保留标签包裹的实际正文内容。

转换规则会保留原文件中的<p>标签对应的段落换行，使用一个空行分隔不同段落；将<br>标签转换为单个换行，适配不同阅读场景的排版需求。

EPUB自带的导航目录会生成对应目录页文本，多数用户提取正文时不需要目录内容，转换工具默认移除目录页，保留正文主体。

脚注与章内注释分为两种处理方式：提取全文时保留所有注释内容放置在对应章节末尾，仅提取正文主干时可剔除全部注释内容，用户可根据自身需求选择对应选项。

语音朗读场景要求文本无多余格式干扰，按段落分隔的输出格式符合多数朗读软件的断句逻辑，可降低错误断句的概率。

纯文本提取仅保留文字内容，EPUB中的插图、封面图等二进制资源会被全部移除，这是纯文本输出的必然结果。

原书的排版信息，包括字体大小、页边距、加粗斜体格式、分栏设置等，都无法在纯文本中保留，最终输出仅保留文字内容与段落分隔结构。