html转化成epub格式的电子书
最近沉迷于将各种博客和官方文档html转化成pdf，结果用手机看还是不太方便，所以想到将html转化成epub格式的电子书，要用os,re,requests,lxm,zipfile,五个库,在这里分享下大概思路。我们的目标是太白金星博客园的python基础教程--太白教你学python，目录url:https://www.cnblogs.com/jin-xin/p/9076242.html。
第一步，利用requests库访问第一个目录url,用re或者lxml中的etree，获取目录中对应章节的url和标题。urls,names两个列表。示例代码如下:
import requests
from lxml import etree
import os
import re
from fake_useragent import UserAgent
headers = {'User-Agent': UserAgent().random}
r = requests.get(url=url, headers=headers)
r.encoding = r.apparent_encoding
html = etree.HTML(r.text)
lis = html.xpath('.//a[@target='_blank']')[1:]
urls = [i.xpath('@href')[0] for i in lis]
names = [i.text for i in lis]
第二步，for循环urls列表,利用requests库访问对应章节的url来，并用re对其进行处理，来获取我们需要放进epub的数据内容。(这里解释下为什么要用re不用etree，etree一般是用来获取格式化的标签的属性值，而re则是从html源代码上直接获取片段内容，在这里我们需要的就是网页源代码。)我们需要的是文本内容问html和示例图片img这两种数据，至于多余网页导航，侧边栏，评论，广告之类的通通不要。在这里发现获取到的图片标签的src都是网络url,而epub中只能从本地路径中导入，因此获取img标签的src属性值，将图片下载到本地文件夹中按数字编号保存文件名(1.png,2.png,3.png....)，并用re.sub将文本html中的img的src属性替换成本地路径，将html写入本地文件前我们需要将其包裹在
标签中，并增加标签构成一个完整的网页，有需要还可以增加title标签。到这里，我们需要的数据就准备好了。示例代码如下:
nums = len(names)
num = 0
os.chdir('D:\藏书馆\小说')
img_num = 1
while num < nums:
r = requests.get(url=urls[num], headers=headers)
r.encoding = r.apparent_encoding
html = r.text
html = re.findall('(
',html,flags=re.S)[0]
imgs = re.findall('< img src='(.+?)' alt=''>',html)
print(len(imgs))
for i in imgs:
try:
r = requests.get(url=i, headers=headers)
with open(f'{img_num}.png', 'wb')as f:
f.write(r.content)
html = re.sub('< img src='(.+?)' alt=''>',f'< img src='../Images/{img_num}.png'>',html,1)
img_num += 1
except:
print(i)
name = names[num]
for tsstr in ':!~?:'.。，、？；：！·~()[]{}（）【】{}':
name = name.replace(tsstr, '')
name=f'{num:<3}'+ ' ' + name
with open(f'{name}.html','w', encoding='utf-8')as f:
f.write(html)
num+=1
print(f'{name}下载完毕，当前下载进度：{num}/{nums}')
第三步，创建一个文件夹，把它压缩后就是我们的.epub文件了，当然不是现在就压缩啦！文件夹目录如下:
一级目录中有两个文件夹和一个文件，META-INF文件夹，OEBPS文件夹和mimetype文件。mimetype文件里面只写一行:application/epub+zip,NETA-INF文件夹中只有一个container.xml文件,内容是:
<?xml version='1.0' encoding='utf-8'?>
OEBPS文件夹中有Images文件夹，Text文件夹，和content.opf文件与toc.ncx文件。
Images文件夹中存放所有的img图片，Text文件夹中存放所有的html文件，content.opf文件是Images与Text中所有文件的一个清单，格式如下:
<?xml version='1.0' encoding='utf-8'?>
urn:uuid:758b33c6-6ddb-4d52-a91c-50b137b50ef3
en
[此处填写标题]
2020-11-04
......
......
toc.ncx文件是目录文件，格式如下:
<?xml version='1.0' encoding='UTF-8'?>
/p>
[此处填写标题]
一，Python介绍
1. python的出生与应用
2. python是什么编程语言。
3. python的优缺点。
4. python的种类。
二. python环境
......
这两个文件都可以利用os库一键生成，至此所有文件数据准备完毕。
第四步，利用zipfile库，和os库压缩文件合成.epub文件。一定要把mimetype文件第一个写入，再将其他固定文件(r'META-INF\container.xml',r'OEBPS\content.opf',r'OEBPS\toc.ncx')写入,最后将.html和.png文件逐个写入，示例代码如下:
import zipfile
import os
os.chdir(r'C:\Users\My\Desktop\新建文件夹')
epub = zipfile.ZipFile(r'C:\Users\My\Desktop\新建文件夹.epub','w')
epub.write('mimetype',compress_type=zipfile.ZIP_STORED)
print(os.listdir('.'))
for i in [r'META-INF\container.xml',r'OEBPS\content.opf',r'OEBPS\toc.ncx']:
epub.write(i, compress_type=zipfile.ZIP_DEFLATED)
for p in [r'.\OEBPS\Images', r'.\OEBPS\Text']:
for f in os.listdir(p):
print(os.path.join(p,f))
epub.write(os.path.join(p,f),compress_type=zipfile.ZIP_DEFLATED)
epub.close
至此，我们的epub格式电子书就制作完成了，以上内容只是我个人的想法和做法，欢迎大家一起加入讨论，另附:今天，你变得更博学了吗？