EPUB文件格式简单解析

最近热衷于看轻小说，奈何某些网站样式排版属实糟糕，移动端体验极度不友好，实在无法忍受，于是希望能将网站内容爬取下来制作成EPUB格式的电子书。

抛开爬取网站内容不谈，通过解析EPUB文件后，大致掌握了EPUB文件的基本格式内容。

EPUB文件结构

EPUB文件本质是一个zip压缩文件。

将EPUB文件后缀改为zip解压即可一窥真相。

使用tree命令查看整个EPUB文件的目录结构和文件，其中部分文件被省略。

  mimetype

│

├─META-INF

│      container.xml

│

└─OEBPS

    │  chapter0001.xhtml

    │  chapter0002.xhtml

    │  chapter0003.xhtml

    │  chapter0004.xhtml

    │  chapter0005.xhtml

    │  chapter0006.xhtml

    |  ...

    │  content.opf

    │  toc.ncx

    │

    └─images

            39655.jpg

            39656.jpg

            39657.jpg

			...

固有文件

mimetype
META-INF/container.xml

mimetype

mimetype是一个文本文件，内容固定为:application/epub+zip

META-INF/container.xml

其中rootfile的属性full-path指定了此书的OPF文件路径。

<?xml version="1.0" encoding="UTF-8"?>

<container xmlns="urn:oasis:names:tc:opendocument:xmlns:container" version="1.0">

  <rootfiles>

    <rootfile full-path="OEBPS/content.opf" media-type="application/oebps-package+xml"/>

  </rootfiles>

</container>

OPF

Open Package Format(OPF)，即包文件格式，其主要功能是用于组织 OPS 文档和提供相应的导航机制，并形成一个开放式的基于 XML 的打包文档，该文档的后缀名为 “.opf” 。

通过META-INF/container.xml即可定位到OPF文件。

查看文件内容，可以比较容易猜测每部分的作用。

<?xml version="1.0" encoding="UTF-8"?>

<package xmlns="http://www.idpf.org/2007/opf" unique-identifier="bookId" version="2.0">

  <metadata xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:opf="http://www.idpf.org/2007/opf">

    <dc:identifier id="bookId">urn:uuid:9bfb698f-dfa3-45ca-bea4-d0fbc2ead4f3</dc:identifier>

    <dc:language>en</dc:language>

    <dc:title>第一卷 虚伪的王国</dc:title>

    <meta content="cover-image" name="cover"/>

  </metadata>

  <manifest>

    <item href="toc.ncx" id="ncx" media-type="application/x-dtbncx+xml"/>

    <item href="chapter0001.xhtml" id="chapter0001.xhtml" media-type="application/xhtml+xml"/>

    <item href="chapter0002.xhtml" id="chapter0002.xhtml" media-type="application/xhtml+xml"/>

    <item href="chapter0003.xhtml" id="chapter0003.xhtml" media-type="application/xhtml+xml"/>

    <item href="chapter0004.xhtml" id="chapter0004.xhtml" media-type="application/xhtml+xml"/>

    <item href="chapter0005.xhtml" id="chapter0005.xhtml" media-type="application/xhtml+xml"/>

    <item href="chapter0006.xhtml" id="chapter0006.xhtml" media-type="application/xhtml+xml"/>

    ...

    <item href="images/39655.jpg" id="cover-image" media-type="image/jpeg"/>

  </manifest>

  <spine toc="ncx">

    <itemref idref="chapter0001.xhtml"/>

    <itemref idref="chapter0002.xhtml"/>

    <itemref idref="chapter0003.xhtml"/>

    <itemref idref="chapter0004.xhtml"/>

    <itemref idref="chapter0005.xhtml"/>

    <itemref idref="chapter0006.xhtml"/>

    ...

  </spine>

</package>

metadata

EPUB文件元数据

dc:identifier

书本的唯一标识符，需要和ncx文件中的identifier一致，虽然不一致也没问题。

dc:language

书本使用的语言不是很重要。

dc:title

整本书的书名，重要性不言而喻。

manifest

整本书的清单文件，一般会列出ncx文件和小说正文文件以及封面。

ncx文件是必须的，它定义了书籍的目录，具体格式查看下文。

封面是可选的，不过EPUB没有封面和插图就没有灵魂。

item

清单文件项目。

href 文件的相对路径
id 项目ID
media-type 文件的MIME类型

正文网页文件

一般格式都为XHTML，可以使用样式图片音频各种各样的资源。

指定封面图片

metadata中包含name为cover的meta标签

<meta content="cover-image" name="cover"/>
manifest中包含id为上述meta的content属性的item
通过设置item的href即可指定封面路径

<item href="images/39655.jpg" id="cover-image" media-type="image/jpeg"/>

spine

翻译成中文就是书脊，通过引用的顺序来指定阅读顺序。

例如上文文件依次列出了chapter0001、chapter0002等，阅读完chapter0001就会开始阅读chapter0002。

itemref

引用的manifest中的文件，只需要引入正文网页文件。

idref 需要与manifest中itme的id对应代表此文件
linear 表明该项是作为线性阅读顺序中的一项，与先后顺序无关，默认为yes

NCX

NCX是Navigation Content eXtended的缩写，用于表示本书的目录。

<?xml version="1.0" encoding="UTF-8" standalone="no"?>

<ncx xmlns="http://www.daisy.org/z3986/2005/ncx/">

  <head>

    <meta content="urn:uuid:9bfb698f-dfa3-45ca-bea4-d0fbc2ead4f3" name="dtb:uid"/>

    <meta content="1" name="dtb:depth"/>

    <meta content="0" name="dtb:totalPageCount"/>

    <meta content="0" name="dtb:maxPageNumber"/>

  </head>

  <docTitle>

    <text>第一卷</text>

  </docTitle>

  <navMap>

    <navPoint id="navPoint-1" playOrder="1">

      <navLabel>

        <text>插图</text>

      </navLabel>

      <content src="chapter0001.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-2" playOrder="2">

      <navLabel>

        <text>序章</text>

      </navLabel>

      <content src="chapter0002.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-3" playOrder="3">

      <navLabel>

        <text>第一章 前世</text>

      </navLabel>

      <content src="chapter0003.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-4" playOrder="4">

      <navLabel>

        <text>第二章 异世界</text>

      </navLabel>

      <content src="chapter0004.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-5" playOrder="5">

      <navLabel>

        <text>第三章 冤罪</text>

      </navLabel>

      <content src="chapter0005.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-6" playOrder="6">

      <navLabel>

        <text>第四章 入学王立学院</text>

      </navLabel>

      <content src="chapter0006.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-7" playOrder="7">

      <navLabel>

        <text>第五章 五年后</text>

      </navLabel>

      <content src="chapter0007.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-8" playOrder="8">

      <navLabel>

        <text>第六章 野外演习</text>

      </navLabel>

      <content src="chapter0008.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-9" playOrder="9">

      <navLabel>

        <text>第七章 虚伪的真相</text>

      </navLabel>

      <content src="chapter0009.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-10" playOrder="10">

      <navLabel>

        <text>末章</text>

      </navLabel>

      <content src="chapter0010.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-11" playOrder="11">

      <navLabel>

        <text>后记</text>

      </navLabel>

      <content src="chapter0011.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-12" playOrder="12">

      <navLabel>

        <text>特典 淑女空腹状态</text>

      </navLabel>

      <content src="chapter0012.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-13" playOrder="13">

      <navLabel>

        <text>特典 雾雨茫茫相思相爱伞</text>

      </navLabel>

      <content src="chapter0013.xhtml"/>

    </navPoint>

    <navPoint id="navPoint-14" playOrder="14">

      <navLabel>

        <text>特典 贵族千金们的茶会</text>

      </navLabel>

      <content src="chapter0014.xhtml"/>

    </navPoint>

  </navMap>

</ncx>

docTitle

<docTitle>

  <text>第一卷</text>

</docTitle>

姑且认为应该与opf中的dc:title一致，书名以opf中的为准。

navPoint

<navPoint id="navPoint-1" playOrder="1">

  <navLabel>

    <text>插图</text>

  </navLabel>

  <content src="chapter0001.xhtml"/>

</navPoint>

整书的目录，每个navPoint代表目录中的一项，包含标题和文件路径。

一个EPUB有以上这些文件就能被识别，通过创建文件然后压缩就可以完成一个EPUB文件的创建。

完成的项目

最后提一下已经完成的开头的项目: linovel-downloader