记录扫描版epub转pdf（python实现）

最近在学习python，找了一本epub的电子书，但是打开之后发现，是一本扫描版的，一页一张图片的epub，看着很不舒服，扫描版的还是应该做成pdf，所以就研究了一下怎么手动把epub转成pdf。

认识epub

ePub（Electronic Publication的缩写，意为：电子出版），是一个自由的开放标准，属于一种可以“自动重新编排”的内容；也就是文字内容可以根据阅读设备的特性，以最适于阅读的方式显示。EPub档案内部使用了XHTML或DTBook （一种由DAISY Consortium提出的XML标准）来展现文字、并以zip压缩格式来包裹档案内容。（复制自百度百科）

通过上面我们可以知道，通过文件管理器或者解压工具可以打开epub格式的电子书，OEBPS/目录内就是电子书的内容，我们主要关心的就是text00000.html以及一堆乱序的图片。

首先打开text00000.html，打开之后可以在浏览器内看电子书，但是我们的目的不是这个，用文本编辑器打开应该能看见类似这样的代码

...
<span id="filepos0000000421"></span>
<p height="1em" width="0pt"><img align="baseline" height="2768" width="1944" src="Image00091.jpg" />
</p>
<p height="1em" width="0pt"><img align="baseline" height="2773" width="1948" src="Image00116.jpg" />
</p>
<p height="1em" width="0pt"><img align="baseline" height="2768" width="1944" src="Image00009.jpg" />
</p>
...

span标签的作用是作为目录的标记，img标签是按照顺序排列的图片，如果是常规的epub电子书，p标签内应该有书里面的文本。

主要流程

如果是我以前，我的流程应该是

手动把epub拆包
手动用vscode对html正则替换，只保留图片名
写个bash脚本把图片按html的顺序批量重命名
用imagemagick把图片合并成pdf。

但是现在在学python，而且通过大量的网络查资料，我觉得这些操作全部都可以用python自动化完成（库多就是好），所以我就写了这篇博客来记录，如何用python来将扫描版epub转换成pdf，顺便二值化处理（以前就想弄了，但是用C语言不会读取图片，读取图片我只会手搓bmp）。

需要用到的库有：

zipfile 用于读取epub文件
re 用于正则提取图片名
PIL 用于将图片序列保存为pdf，以及图片二值化，非自带需要通过pip install pillow安装

zip操作

这里只介绍需要用到的操作，更多的可以自己去网上查。

首先在开头导入库from zipfile import ZipFile，注意，我这里是只导入了ZipFile，用来打开zip文件，如果规范一点，在用ZipFile打开文件之前，应该用zipfile.is_zipfile(filename)来判断是不是zip文件，我这里偷懒了。

打开zip

ZipFile的用法跟打开普通文件的方法类似，使用的时候注意大小写。

#两种写法

#第一种（需要手动关闭）
file=ZipFile(filename)
......
file.close()

#第二种（不需要手动关闭）
with ZipFile(filename) as file:
    ......

打开之后可以使用ZipFile的两个方法，namelist获取压缩包内的文件名列表，infolist获取文件信息列表。

打开zip内的文件

ZipFile也有一个方法叫做open，用法跟普通的open类似。

1
2
3

with ZipFile(epub_name) as epub_file:
    with epub_file.open("OEBPS/text00000.html") as file:
        ......

之后就可以像操作普通文件一样操作zip里的文件了。

正则表达式

正则表达式是一个很好用的东西，简单的很简单，复杂的基本上都不记得要去网上查，python里面使用正则表达式是通过re这个库，使用起来还是很简单的。

通过观察，我们需要提取的就是img标签内的src的值，所以我写的正则表达式是<img.*src=\"(.+)\" />，用来提取img的src的双引号内的文件名。

python内使用正则表达式首先需要编译

1 2	import re pattern=re.compile("<img.*src=\"(.+)\" />")

之后就可以通过pattern的findall方法来提取字符串了。

with ZipFile(epub_name) as epub_file:
    file_list=[]
    with epub_file.open("OEBPS/text00000.html") as file:
        file_list=pattern.findall(file.read().decode("utf-8"))

这样就将图片名按顺序保存到file_list里了。

二值化处理

二值化就是让图片只保留两种颜色，可以让扫描版的图片更加清晰，同时还能缩小图片体积（从32位色彩变成了1位色彩）。

首先，封面我们还是留着颜色，这样好看点，我们就假定第一张图片就是封面，先将第一张图片从列表里拆出来。

1	file_0,*file_list=file_list

现在file_list里的就是我们需要二值化的图片了，二值化的步骤就是把图片转化成灰度图，之后设定一个阈值，小于这个值的就是纯黑，大于这个值的就是纯白，先上代码：

threshold=200
gray_lut=[int(i>=threshold) for i in range(256)]

img_list=[]
for filename in file_list:
    with epub_file.open("OEBPS/"+filename) as file:
        img=Image.open(file)
        img=img.convert('L')
        img=img.point(gray_lut,'1')
        img_list.append(img)

convert('L')是将图片转换成灰度图，也可以转换成其他颜色模式，有需要自行查找。

point方法就很有意思了，是逐像素映射，感觉可以做很多有意思的事情，第一个参数就是颜色映射，第二个参数是颜色模式，’1’就是只有黑白了。

之后将处理后的图片添加到img_list里，就是我们pdf的图片序列了。

保存为pdf

不要忘了封面，保存就一行的事，直接上代码了。

1
2
3

with epub_file.open("OEBPS/"+file_0) as file:
    cover=Image.open(file)
    cover.save(pdf_name,"PDF",save_all=True,append_images=img_list)

最终完成版

为了使用方便，我还写了个控制台传参，这个看个人喜好，不是重点，不过多说明。注意，因为我这里只有灰度阈值一个参数，所以我只判断了”–”开头，如果有多个参数，建议用字典来保存参数。

from zipfile import ZipFile
from PIL import Image
import re
import sys
import os

epub_name=None
pattern=re.compile("<img.*src=\"(.+)\" />")
threshold=200

arg_list=sys.argv[1:]
for arg in arg_list:
    str=re.sub("'",'"',arg)
    if str.startswith("--"):
        threshold=int(str.split('=')[1])
    elif os.path.exists(str):
        epub_name=str
    else:
        print("error: "+str+": No such file or directory.")
        exit()

if epub_name == None:
    print("fatal error: no input files.")
    exit()

gray_lut=[int(i>=threshold) for i in range(256)]
pdf_name=epub_name.rsplit('.',1)[0]+".pdf"

with ZipFile(epub_name,"r") as epub_file:
    file_list=[]
    with epub_file.open("OEBPS/text00000.html") as file:
        file_list=pattern.findall(file.read().decode("utf-8"))

    file_0,*file_list=file_list

    img_list=[]
    for filename in file_list:
        with epub_file.open("OEBPS/"+filename) as file:
            img=Image.open(file)
            img=img.convert('L')
            img=img.point(gray_lut,'1')
            img_list.append(img)

    with epub_file.open("OEBPS/"+file_0) as file:
        cover=Image.open(file)
        cover.save(pdf_name,"PDF",save_all=True,append_images=img_list)

之后可以用pyinstaller把py脚本打包成exe，这样使用就更方便一点，在windows下面直接将epub文件拖到exe文件上就可以使用了。按我自己使用，原本73MB的epub电子书转换之后只有7MB，只有原来的百分之十，而且也清晰了，效果还是很好的。

感想

这次算是我学了python之后的第一次实战，给我的感觉还是很不错的，虽然大多是在调库，但是确实做到了我用C语言很难做到的事情，用C语言我一不会找库，二如果解析zip、jpg、pdf这些我全部学习怎么写，那一定会花很多时间，而且到最后估计也就是在复制代码，所以，人生苦短，我用python。

也挺羡慕现在的小孩，好像听说小学就学python了，如果我小学的时候就学python，现在可能早就实现所有事情自动化了，我是个很懒的人，在学会编程之后，什么都想着能不能让程序做，从解题到用电脑处理文件，虽然很多时候能力受限，都只是停留在想。但是python帮我们解决了很多能力上的问题，我们只要敢想敢做就行了。