个人成长秘籍之三，每天用Python强迫自己看两页书
2020-02-07 本文已影响0人
DigiHacker
Snipaste_2020-02-07_20-13-16.jpg
昨天的文章中提到最常用的epub电子书其实是个zip压缩文件，而且已经拿到了书名和作者名，那今天我们就直接取出书的内容。
epub文件里除了opf文件存放书的相关信息外，还有一个ncx文件存放了目录结构，它的内容类似这样
<?xml version='1.0' encoding='utf-8'?>
<ncx xmlns="/z3986/2005/ncx/" version="2005-1" xml:lang="zho">
<head>
<meta content="4" name="dtb:depth"/>
</head>
<docTitle>
<text>书名</text>
</docTitle>
<navMap>
<navPoint class="chapter" id="num_1" playOrder="1">
<navLabel>
<text>前言</text>
</navLabel>
<content src="part0001.html"/>
</navPoint>
<navPoint class="chapter" id="num_2" playOrder="2">
<navLabel>
<text>扉页</text>
</navLabel>
<content src="part0002.html"/>
</navPoint>
英文好的同学又能一眼看出它的结构了。其它的我们先不管，navMap就是导航地图的缩写，navPoint就是章节，content的src就是每页的html文件。了解这点就足够，没必要读xml和dtd等这些信息，xpath直接搞定
def extract_outline(self, f):
with self.book.open(f) as ncx:
try:
c = ncx.read().decode('utf-8')
c = c.replace('\n', '').encode('utf-8')
self.outline_file = etree.HTML(c)
outlines = self.outline_file.xpath('//navpoint')
for o in outlines:
chapter = o.find('navlabel').find('text').text
if chapter:
self.outline[chapter] = o.find('content').get('src')
except Exception as e:
print(e)
lxml似乎对xml比较挑剔，用xpath拿不到结果。好在它也支持html，用小写的navpoint就可以取到所有的章节了。我们存放在一个dict里就好。下面就是遍历这个dict，在zip里找到对应的文件。但按道理来说，我们应该回到opf文件，找到对应的目录，然后去找。但最近老不出门，小编比较暴躁。反正一本书就是那些页面，我不相信有重复文件，直接遍历下文件列表，只要文件名相同，就肯定是了。
def get_page(self, page_num):
page = list(self.outline.keys())[page_num - 1]
for f in self.book.filelist:
if self.outline[page] == f.filename.split('/')[-1]:
with self.book.open(f) as p:
html = etree.HTML(p.read().decode('utf-8').replace('\n', '').encode('utf-8'))
for e in html.xpath('//*'):
if e.text:
print(e.text)
page_num不应该大于目录dict()的大小，找到对应文件后，可以直接返回html，也可以象我一样用lxml转成text
回到主题，如何强迫自己看书呢。象上次我在这篇文章里讲的那样，建一个计划任务，每天发送两章到自己的邮箱就好了, 强迫症的你肯定不会允许未读邮件的存在吧。
