生成Kindle可讀的mobi和PDF電子書

時間 2019-11-12

標籤生成 kindle 可讀 mobi pdf 電子書简体版

原文原文鏈接

購買kindle以後，天然欣喜萬分，不來自於工具自己，而來自於發現本身可以靜下心來閱讀長篇和複雜的文字了，可喜可賀。更重要的是，kindle減輕了我眼睛的莫大的壓力。但立刻就出現幾個問題：html

不是全部的電子書都有kindle，最多見的是掃描PDF
大量的論文沒法閱讀,這和上面的問題一致
網絡上不少精彩的博客，新聞，都是無法閱讀的

可能有人說，用手機看不就得了？用手機看花邊娛樂新聞固然很好，但是當看數學推導時，推送欄上面妹子發來的消息，會直接把你的思路所有打亂。沒用過kindle的人，是有些難以體會那種接近於紙張的質感的。OK，既然是程序員，咱們就嘗試解決這些問題。python

有關kindlegen和HTML

kindlegen是亞馬遜官方出品的一個電子書生成工具。但它明顯就沒打算讓普通用戶使用，命令行界面，幾乎沒有任何像樣的文檔。只是在實例樣例裏給了幾個生成電子書的文件。我就由於沒有文檔兜了大彎，翻遍國外各大網站，才慢慢摸清kindlegen的使用細節。
能夠這麼理解,KG是將一組HTML和相關文件，打包成mobi文件的工具。git

最簡單的例子，隨意編寫一個HTML文件，送給KG，會生成對應的mobi。基本有title,h1,h2,正文，kindle渲染就差很少了。若是須要修改樣式，能夠提供CSS文件。
可是，這樣的作法，沒有圖片，沒有超連接，沒法提供目錄，若是輸入單一的大型HTML文件，kindle的渲染性能就不足了。程序員

所以，須要生成層級化，多文件形式的html文件夾，然而kg並不能直接識別html文件夾，仍是須要一些元數據描述。github

編寫元數據文件

要想解決這個問題，就須要編寫兩個文件,opf和ncx, 他們能夠理解爲KG的makefile, KG經過這兩個文件索引HTML，目錄和其餘多媒體資源。介紹以下：編程

值得注意的是，全部的文件都應該保存在本地，尤爲是jpg, html中的圖片超連接，須要重定向到本地的jpg文件，若是依然在服務器上，據我所知，kg是不負責渲染下載的。服務器

資源聚合文件: opf和ncx

因爲opf文件很是重要，咱們下面就講解opf的格式：網絡

<package xmlns="http://www.idpf.org/2007/opf" version="2.0" unique-identifier="BookId">
<metadata xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:opf="http://www.idpf.org/2007/opf">
<dc:title>電子書標題</dc:title>
<dc:language>en-us</dc:language>
</metadata>
<manifest>
     <!-- table of contents [mandatory] -->
    <item id="tochtml" media-type="application/xhtml+xml" href="toc.html"/>
    <item id="item0" media-type="application/xhtml+xml" href="Artical-1277621753.html"/>
    ...
    <!--下面是圖片-->
     <item id="0.368541311142" media-type="image/jpg" href="Images/-1720404282.jpg"/>
</manifest>
<spine toc="desertfire">
  <!-- 下面描述了KG生成電子書後文本的順序 -->
    <itemref idref="toc"/>  
    <itemref idref="tochtml"/>  
    <itemref idref="item31"/>
  
</spine>
<guide>
    <reference type="toc" title="Table of Contents" href="toc.html"></reference>
    <reference type="text" title="Welcome" href="toc.html"></reference>
</guide>
</package>
```

須要注意的有如下幾點：app

全部資源都須要一個id,命名任意，但不能重複
media-type描述了資源的類型，記住兩類基本就夠用了，"application/xhtml+xml"表明HTML文件，"image/jpg"或 "image/png"表明圖片。
其餘均可以省略，只是會影響電子書完整性。
因爲這兩個文件內部其實都是html,因此修改編輯都很容易。

最終，KG的命令行目標，不是目錄HTML,而是OPF文件！將全部的文件放入一個文件夾後，啓動KG命令行，最後KG會在該目錄下生成你心儀已久的mobi!ide

編輯HTML和OPF文件

知道其原理後，主要的任務是填充HTML和OPF文件，幾頁內容還好，若是內容繁多，不管是手工( ⊙ o ⊙ ),仍是編程字符串拼接，都會變得異常低效。
此時，就須要模板引擎出手了，python推薦使用Jinja2, 資料衆多，功能強大，性能尚可。生成opf的模板文件，基本就長下面這個樣子：

<package xmlns="http://www.idpf.org/2007/opf" version="2.0" unique-identifier="BookId">
<metadata xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:opf="http://www.idpf.org/2007/opf">
<dc:title>{{ title }}</dc:title>
<dc:language>en-us</dc:language>
</metadata>
<manifest>
      <!-- table of contents [mandatory] -->
    <item id="toc" media-type="application/x-dtbncx+xml" href="toc.ncx"/>
    <item id="tochtml" media-type="application/xhtml+xml" href="toc.html"/>
{% for item in navigation %}
    <item id="{{ item.id }}" media-type="application/xhtml+xml" href="{{ item.href }}"/>
{% endfor %}
 {% for item in media %}
   <item id="{{ item.id }}" media-type="image/{{ item.format}}" href="{{ item.href}}"/>
{% endfor %}
 
</manifest>
<spine toc="{{ title }}">
  <!-- the spine defines the linear reading order of the book -->
    <itemref idref="toc"/>  
    <itemref idref="tochtml"/>  
  {% for item in navigation %}
    <itemref idref="{{ item.id }}"/>
  {% endfor %}
</spine>
<guide>
    <reference type="toc" title="Table of Contents" href="toc.html"></reference>
    <reference type="text" title="Welcome" href="toc.html"></reference>
</guide>
</package>

我在此處就不費事講解jinja2的語法了。這樣，就能解決閱讀網頁新聞和HTML資源的問題了。

生成掃描版MOBI

下一個問題，是如何閱讀掃描版的PDF，如電子書和論文。有如下幾類初始想法：

權衡以後，咱們選用第二種方案。PDF分爲兩類，一種是一頁一欄，如電子書，另外一種是一頁兩欄，如論文。
那麼，爲了保證質量，有如下的步驟：

將PDF轉換爲圖片

若是使用python，則有一些類庫可使用，如imagemagick和一系列相關類庫。
但這些類庫安裝比較麻煩，所以筆者使用了軟件生成，此處強烈推薦一款軟件：
AP PDF to IMAGE 國產軟件？的驕傲！不須要其餘任何類庫，體積小，性能穩定，生成圖片尺寸可調，可批量處理，很是清晰！
百度可搜索各種綠色版下載，我都想給做者支付寶捐錢了。

圖片處理

若是你是PS大神，固然可使用宏和批量命令完成這些，此處咱們用的仍是python，使用著名的PIL類庫，下面貼出代碼：

# coding=utf-8
import os

import Image as img
import jinja2 as jj

import extends
import libs.kindlestrip as kp



# 要PDF轉JPG時，若是用python的方案，則須要安裝一堆庫
# 用現成的工具，則難以與Python集成，並且速度很慢，目前仍是採用現成的工具吧

# 當生成論文時，第一頁的上半部分，單獨抽出，剩下的分爲四頁導出。設置以下
horizon = 2
vertic = 2
firstpage = True
# 生成普通橫版PDF時，則爲以下設置：
# horizon = 1
# vertic  = 2
# firstpage=False

topblood = 0.05;
sideblood = 0.06;
booktitle = u"Paper";
author = "zhaoyiming"
outputfolder = "pdf2mobi/";
imgTypes = ['.png', '.jpg', '.bmp']
kindlegen = r"Tools/kindlegen.exe"  # kindlegen position
shouldsplit = True;
imagefolders = outputfolder + 'raw';
splitfolder = outputfolder + 'split'

docs = [];
pageindex = 0;

if shouldsplit == True:
    for root, dirs, files in os.walk(imagefolders):
        index = 0;
        for currentFile in files:
            crtFile = root + '\\' + currentFile
            format = crtFile[crtFile.rindex('.'):].lower();

            if format not in imgTypes:
                continue;
            crtIm = img.open(crtFile)
            crtW, crtH = crtIm.size
            hStep = crtW * (1 - 2 * sideblood) // horizon
            vStep = crtH * (1 - 2 * topblood) // vertic
            hstart = crtW * sideblood
            vstart = crtH * topblood;
            if (firstpage == True and pageindex == 0):
                crtOutFileName = 'pdf2mobi/split/' + str(index) + format,
                box = (hstart, vstart, crtW, crtH // 3)
                box = list((int(x) for x in box));
                cropped = crtIm.crop(box)
                cropped.save(crtOutFileName[0])
                myimg = {};
                myimg["href"] = "split/" + str(index) + format;
                myimg["id"] = index;
                myimg["format"] = format;
                myimg["width"] = box[2] - box[0];
                myimg["height"] = box[3] - box[1];
                docs.append(myimg)
                index += 1;

            for j in range(horizon):
                for i in range(vertic):
                    crtOutFileName = 'pdf2mobi/split/' + str(index) + format,
                    box = (hstart + j * hStep, vstart + i * vStep, hstart + (j + 1) * hStep, vstart + (i + 1) * vStep)
                    box = (int(x) for x in box);
                    cropped = crtIm.crop(box)
                    cropped.save(crtOutFileName[0])
                    myimg = {};
                    myimg["href"] = "split/" + str(index) + format;
                    myimg["id"] = index;
                    myimg["format"] = format;
                    myimg["width"] = hStep;
                    myimg["height"] = vStep;
                    docs.append(myimg)
                    index += 1;
            pageindex += 1;
else:
    for root, dirs, files in os.walk(imagefolders):
        index = 0;
        for currentFile in files:
            crtFile = root + '\\' + currentFile
            format = crtFile[crtFile.rindex('.'):].lower();
            if format not in imgTypes:
                continue;
            myimg = {};
            myimg["href"] = "split/" + str(index) + format;
            myimg["id"] = index;
            myimg["format"] = format;
            myimg["width"] = "1347";
            myimg["height"] = "1023";
            docs.append(myimg)
            index += 1;
images = [];
env = jj.Environment(loader=jj.FileSystemLoader([r"templates/"]))
articaltemplate = env.get_template('jpgs.html')

opftemplate = env.get_template('opf.html')
ncxtemplate = env.get_template('ncx.html')

extends.SaveFile(outputfolder + "toc.html", articaltemplate.render(navigation=docs, title=booktitle, author=author));
extends.SaveFile(outputfolder + booktitle + ".opf",
                 opftemplate.render(navigation=docs, title=booktitle, author=author, media=images));
extends.SaveFile(outputfolder + "toc.ncx", ncxtemplate.render(navigation=docs, title=booktitle, author=author));

currentPath = os.getcwd() + "\\" + outputfolder.replace("/", "\\") + booktitle + ".opf";
mobipath = outputfolder.replace("/", "\\") + booktitle + ".mobi";
kindlepath = os.getcwd() + "\\" + kindlegen.replace("/", "\\");
cmd = kindlepath + " " + currentPath;
cmd = cmd.encode();
print cmd;
os.system(cmd);
kp.Convert(mobipath, mobipath)