本帖最后由 phan 于 2013-9-11 23:34 编辑
问：Calibre是如何分章与提取目录的？
答：Calibre首先会将各种格式的源文件（如TXT、EPUB）转化为XHTML格式，然后通过用户指定的XPath表达式将章节和目录从整篇文章中筛选出来，最后整合到目标格式（如EPUB、PDF）中。在“转换书籍”对话框中的“调试”面板里可以指定一个调试文件存放处，这样执行一次转换后即可观察由源文件生成出的XHTML格式中间文件的内容。
问：什么是XHTML？
答：XHTML意为“严格符合XML标准”的HTML。XHTML的好处之一就是结构整齐，便于后期处理（比如利用XPath）。如下代码就是典型的XHTML文档片段:
- <html>
- <head>
- <title>A very short ebook</title>
- <meta name="charset" value="utf-8" />
- </head>
- <body>
- <h1 class="bookTitle">A very short ebook</h1>
- <p style="text-align:right">Written by Kovid Goyal</p>
- <div class="introduction">
- <p>A very short ebook to demonstrate the use of XPath.</p>
- </div>
- <h2 class="chapter">Chapter One</h2>
- <p>This is a truly fascinating chapter.</p>
- <h2 class="chapter">Chapter Two</h2>
- <p>A worthy continuation of a fine tradition.</p>
- </body>
- </html>
答：XPath表达式用于定位XML文档中的元素。由于XHTML是XML的子集，所以XPath也可用于XHTML的定位。
问：什么是元素？
答：元素由起始标签<blabla>、对应结束标签</blabla>以及两标签中间所包括的内容组成。如<h1>Chapter 1</h1>就是一个元素，其中h1被称为元素的（标签）名称(name)。元素的起始标签中还可以含有一个或多个属性对，如<h1 class='chapter'>Chapter 1</h1>中的class='chapter'就是一个属性对。属性对又可分解为属性名（如class）和属性值（如chapter）。属性值需用单引号或双引号括起。
问：Calibre中的默认章节检测XPath表达式是什么意思？
答：默认表达式大致如下
- //*[((name()='h1' or name()='h2') and re:test(., '\s*((chapter|book|section|part)\s+)|((prolog|prologue|epilogue)(\s+|$))', 'i')) or @class = 'chapter']
- A是 (name()='h1' or name()='h2')
- B是 re:test(., '\s*((chapter|book|section|part)\s+)|((prolog|prologue|epilogue)(\s+|$))', 'i')
- C是 @class = 'chapter'
问：//*[...]是什么意思？
答：一般匹配章节的XPath表达式都如此起头，表示尝试匹配所有元素之意。具体的筛选条件写在方括号中。
问：and、or是什么意思？
答：逻辑连词，A and B意为同时满足条件A与条件B，而A or B意为条件A与条件B满足其中一项或两项都满足。括号如同四则运算中的括号表示逻辑判断优先级。
问：条件A是什么意思？
答：“若元素的标签名称是h1或h2，则元素的内容作为章节名”
对于第二问给出的XHTML样例，单独使用条件A得到的目录项为A very short ebook、Chapter One和Chapter Two。
问：条件B是什么意思？
答：“若元素的内容含有chapter、book、section、part字样并后跟若干空格，或含有prolog、prologue、epilogue字样，后面跟或不跟空格均可，则是章节名”
re.test(., X, Y)是Calibre扩展的XPath语法，表示用正则表达式X和匹配选项Y测试元素的内容。条件B中选项Y为'i'，意为匹配时忽略大小写。对正则表达式介绍如下：
- \s表示空白字符（相对地，\S表示任意非空白字符）
- $表示整个内容的结束（相对地，^表示整个元素内容的开始）。
- ?表示零个或1个“前项”（比如\s?表示表示零个或1个空白字符）
- *表示零个或若干“前项”（比如\s*表示表示零个或多个空白字符）
- +表示1个或若干“前项”（比如\s+表示表示1个或多个空白字符）
- ()“括号”表示将一组符号视作一项（比如chapter?匹配chapte和chapter，而chapt(er)?匹配chapt和chapter）
- (chapter|book|section|part)和(prolog|prologue|epilogue)表示用|分割的几个单词匹配其一
- (\s+|$)表示匹配若干空白或元素内容的结尾
对于第二问给出的XHTML样例，单独使用条件B得到的目录项为Chapter One和Chapter Two。
问：条件C是什么意思？
答：“若元素的属性对中有class='chapter'一项，则元素的内容作为章节名”
注意要在属性名class前加一@符号，单双引号可以互换。
对于第二问给出的XHTML样例，单独使用条件C得到的目录项为Chapter One和Chapter Two。
问：如何编写自己所需的表达式？
答：大部分情况下将默认XPath表达式涉及语义的部分修改一下即可。通常如果源文件是TXT格式的文本文件，那么条件A和条件C都可以不要，直接把XPath表达式写成
- //*[re:test(., '^\s*(第\s*\S+\s*(章|节)(\s+|$))|((开场白|终章|尾声)(\s+|$))', 'i')]
答：可以在调试XPath表达式时先将源文件的内容删掉大半以加快转换速度。在“转换书籍”对话框中，可以开启“内容目录”面板中的“在转换完成后手动精细调整目录”。
|
发表于 2013-9-11 23:25:37