浅析 Epub 格式及解析设计

浅析 Epub 格式及解析设计

一、背景

随着移动互联网的发展进步，移动终端电子阅读已经成为人们生活中必不可少的精神娱乐。七猫免费小说旨在为国人提供免费好看的小说、图书，丰富人民的精神文化。那么，移动终端如何能够提供好的内容、样式排版？

这就需要对电子书格式进行深入的研究，掌握常见的EPub电子书格式、实现可定制化、差异化、掌握电子书的标准规范，基于标准规范化设计自己的电子书解析引擎，可实现跨平台阅读。

二、标准Epub格式解读

2.1 媒体类型及container.xml文件

1. mimetype --- application/epub+zip

2. container.xml

图2: container 文件内容

2.2核心文件 opf

定义了电子书的全部相关信息：

metadata、manifest、spine、guide、tour（可无）标签

核心文件opf解读，分小节说明。

2.2.1 metadata标签

主要包括书籍的相关元数据：标题、作者、标识信息、出版者、语言等。示例：

<metadata xmlns:dc="http://purl.org/dc/elements/1.1/" xmlns:opf="http://www.idpf.org/2007/opf">
  <dc:title>数学思维</dc:title>
  <dc:creator opf:role="aut" opf:file-as="[英]郑乐隽">[英]郑乐隽</dc:creator>
  <dc:identifier id="bookid">urn:uuid:29d919dd-24f5-4384-be78-b447c9dc299b</dc:identifier>
  <dc:date>2020-01-02T16:00:00+00:00</dc:date>
  <dc:publisher>中信出版集团</dc:publisher>
  <dc:language>zh-CN</dc:language>
  <dc:identifier opf:scheme="calibre">68f5c372-e9be-4375-8770-bc278dd1ec60</dc:identifier>
  <dc:identifier opf:scheme="ISBN">9787521712612</dc:identifier>
  <meta content="0.7.4" name="Sigil version"/>
  <meta name="cover" content="cover-image"/>
  <meta content="OEBPS/Text/chapter03.xhtml" name="chargeFrom"/>
  <meta name="calibre:title_sort" content="数学思维"/>
  <meta name="calibre:author_link_map" content="{"[英]郑乐隽": ""}"/>
</metadata>

2.2.2 manifest标签

定义了全部内容文件列表，每个文件定义了关联的id、文件路径、media-type。

格式：<item href=”” id=”” media-type=””> 示例:

<manifest>
  <item href="Text/cover.xhtml" id="cover.xhtml" media-type="application/xhtml+xml"/>
<item href="Text/part1.xhtml" id="part1.xhtml" media-type="application/xhtml+xml"/>
 
<item href="toc.ncx" id="ncx" media-type="application/x-dtbncx+xml"/>
<item href="Styles/stylesheet.css" id="stylesheet.css" media-type="text/css"/>
<item href="Images/cover.jpg" id="cover-image" media-type="image/jpeg"/>
 
</manifest>

2.2.3 spine标签

定义了电子阅读的顺序骨架。

格式：<itemref idref=””> 示例：

manifest标签和spine标签之间联系，manifest中定义了源文件地址及其id值，而spine标签内每一项指向引用文件的id，也就知道是哪个源文件。所以，要想逐个解析spine内的文件内容，必须先解析manifest标签，建立文件和id的映射关系。

2.2.4 guide标签

指南，一次列出电子书的特定页面

本例中，指南是一个封面图片。

2.2.5 tour标签

导读，可以根据读者水平或阅读目的，按一定的次序，选择电子书的部分页面组成导读，可以没有。

2.2.6 ncx 目录文件

定义了电子书的目录结构，目录可以分为多级。

目录以 navMap作为一级目录根节点，该层级下的navPoint子节点为一级节点；navPoint下也可以有子节点navPoint，作为二级目录，三级目录等等。

<ncx>
<navMap>
  <navPoint id="navPoint-1" playOrder="1">
    <navLabel>
      <text>封面</text>
    </navLabel>
    <content src="Text/cover.xhtml" />
  </navPoint>
  <navPoint id="navPoint-2" playOrder="2">
    <navLabel>
      <text>版权页</text>
    </navLabel>
    <content src="Text/copyright.xhtml" />
  </navPoint>
  //...
 
<navMap>
</ncx>

navLabel标签内的文本目录名，content标签是目录对应的文件内容地址。

关于ncx和spine的区别，spine骨架，定义的是要看的电子书每个文件的阅读顺序；而ncx是目录结构，骨架的一个文件可能有子目录，因此，ncx包含的navPoint节点与spine的itemref节点相比，可能多或相等。

举个例子，某电子书一级目录下有二级、三级目录：

图3：目录手机效果

对应的ncx文件部分内容如下：

<navMap>
<navPoint id="navPoint-1">
  <navLabel>
    <text>Introduction</text>
  </navLabel>
  <content src="Text/ch001.xhtml#introduction"/>
</navPoint>
<navPoint id="navPoint-2">
  <navLabel>
    <text>PART I: TOTAL BUSINESS RE-CONFIGURATION</text>
  </navLabel>
  <content src="Text/ch002.xhtml#part-i-total-business-re-configuration"/>
  <navPoint id="navPoint-3">
    <navLabel>
      <text>Chapter 1: Why Businesses Don’t Grow</text>
    </navLabel>
    <content src="Text/ch002.xhtml#chapter-1-why-businesses-dont-grow"/>
    <navPoint id="navPoint-4">
      <navLabel>
        <text>The most common startup story</text>
      </navLabel>
      <content src="Text/ch002.xhtml#the-most-common-startup-story"/>
    </navPoint>
    <navPoint id="navPoint-5">
      <navLabel>
        <text>Your three options</text>
      </navLabel>
      <content src="Text/ch002.xhtml#your-three-options"/>
    </navPoint>
  </navPoint>
  <navPoint id="navPoint-6">
    <navLabel>
      <text>Chapter 2: How Companies Grow and Die</text>
    </navLabel>
    <content src="Text/ch002.xhtml#chapter-2-how-companies-grow-and-die"/>
    <navPoint id="navPoint-7">
      <navLabel>
        <text>Growth stage 1: Courtship</text>
      </navLabel>
      <content src="Text/ch002.xhtml#growth-stage-1-courtship"/>
    </navPoint>
    <navPoint id="navPoint-8">
      <navLabel>
        <text>Growth stage 2: Infancy</text>
      </navLabel>
      <content src="Text/ch002.xhtml#growth-stage-2-infancy"/>
    </navPoint>
  </navPoint>
<navMap>

可见，在一个文件 Text/ch002.xhtm内，可以存在多级目录，指定的位置格式：

[文件路径]#[id值]

Text/ch002.xhtm#part-i-total-business-re-configuration

图4：Text/ch002.xhtm文件内容

说明：<div> 可定义文档中的分区或节（division/section），可查阅 W3C div。

2.3 css样式表

该文件定义了书中的样式和类的具体属性，用来以指定格式显示内容。文件的使用一般是在内容文件xhtml的head标签内定义链接的样式表，示例：

图5: css文件引用

在下面的body体内，根据对应的标签匹配样式表，获取对应的内容样式。

样式表文件定义示例：

图6: css文件内容示例

定义了相关的选择器、类选择器、图片、标题等相关等样式属性。

关于选择器相关知识，可自行查阅W3C CSS相关课程。

当然，除了文件css样式表外，body体内的标签也可以直接使用style属性。

三、Epub书籍解析设计

主要包括：

章节目录列表的建立、样式表的读取、章节文件的读取、

根据前面第二章的知识，大概可分解如下几步：

第一步：读取META-INF/container.xml文件

根据文件内容读取得到 opf文件路径；

第二步：读取解析opf文件

得到电子书的全部信息，包括解析manifest标签得到各个文件路径path及id集合；解析spine标签得到骨架顺序引用的文件id集合; 解析出目录文件路径，基于spine标签属性toc指定的文件id；解析得到封面图片；解析读取guide及tour目录集合信息；

第三步：解析toc目录文件ncx

获取电子书的目录结构，基于navMap节点，建立其层级下的navPoint子节点。

第四步：解析.css样式表文件

解析之前需要全局扫描Epub压缩文件，得到全部的样式文件集合，建立样式表文件的映射关系，以便解析xhtml章节文件时获取属性。

第五步：解析章节内容

基于spine骨架顺序的xhtml文件集合，顺序解析各个文件，可采用文件缓存写入本地，构建指定规范的数据文件，以便按照指定格式解析渲染。

解析设计流程图：

图7：解析流程图

四、当前设计局限性及未来优化

上述的Epub书籍解析流程，一般情况下，对于较小的书籍，打开的耗时体验还可以接受，但对于比较大的书籍，且存在复杂样式，书籍的打开体验有待提高。对于此问题，未来考虑将上述流程进行优化，循环解析不是必要的，可对于打开的指定章节文件进行解析加载，也可以预加载相邻的章节，这样可以大幅度提高阅读器的打开体验。

参考文献：

https://www.docin.com/p-1110595694.html

https://www.jianshu.com/p/d930dc5599aa/

https://www.w3school.com.cn