2019獨角獸企業重金招聘Python工程師標準>>>

第四章、epub文件處理?--?epub文件內部組成

第三章的結尾，我們說到從FBReaderApp類的openBookInternal方法，就要開始對epub文件的處理流程了。

在對這個流程進行詳細的分析之前，我們有必要先用一個章節詳細介紹一下epub文件的內部組成。

首先，epub文件一種壓縮文件，是壓縮格式是與zip壓縮文件是一樣的。換一句話說，epub文件是可以用支持zip格式的解壓縮文件解壓的（有些軟件不能識別epub后綴名，需要手動把.epub的后綴名改成.zip）。

把epub文件解壓之后，打開文件夾，我們可以看到有如下的文件與文件夾，我們一個一個來看一下。

META-INF文件夾

這個文件文件夾的名字翻譯成中文就是“元信息”。文件夾里面只有一個container.xml文件

container.xml文件

文件的內容如下：

這段內容的作用就是標明了.opf文件的位置。這個.opf文件是一個很重要的文件，它記錄了epub文件內部各個文件的具體信息，我們會在介紹OPS文件夾的時候詳細介紹這個文件。

程序必須正確解析.opf文件的內容后才能正常運行，但是.opf這個文件的文件名本身卻是可以自定義的，也就是說，不同的epub文件里面可能包含不同名字、位于不同行位置的.opf文件。那么，如何確保程序能夠正確找到并解析.opf文件呢，就是通過container.xml這個文件來指定.opf文件。正是基于這個原因，epub文件的標準里規定“EPUB?根目錄下必須包含?META-INF?目錄，而且其中必須要有一個文件?container.xml”（引用自http://blog.sina.com.cn/s/blog_6441e0640100gmhv.html）。

大家可以試一下，如果你把解壓后的epub文件里的container.xml文件改名后再重新壓縮成epub文件，程序就會報錯。

OPS文件夾

OPS文件夾主要包含三種重要的文件.opf文件、ncx文件、.xhtml文件。同時，還可能會有css文件和圖片文件。下面詳細介紹下這些文件。

.opf文件

opf代表“Open?Packaging?Format”，意譯成中文差不多應該是“EPUB文件包格式”。我們說過epub文件是個zip壓縮文件，opf文件的作用可以被理解為描述了EPUB文件解壓后，內部各個文件和文件夾的名字、位置等信息。

.opf文件主要包含三個主要的節點metadata、manifest、spine，這個三個節點分別描述了不同信息。

其中，metadata節點定義了epub的作者、書名、語言等元信息。這些元信息大部分都在dc的命名空間下。dc代表Dublin?Core，意指國際組織“Dublin?Core?Metadata?Initiative”定義的標準。

manifest節點的作用是描述epub文件內部對應不同章節對應的文件的位置。manifest節點在這里的作用有點像之前提到的container.xml文件：container定義了.opf文件的位置，而manifest節點中的item子節點的href屬性則定義了含有對應每個章節的文件的位置。

spine節點的作用是定義讀者在順序閱讀時，每個章節出現的先后次序。linear這個節點的作用是這樣的：“?EPUB?規范的閱讀系統將首先打開?spine?中沒有設置為?linear=no?中的第一項”。所以，“建議將封面定義為?linear=no”。（引用自http://blog.sina.com.cn/s/blog_6441e0640100gmi8.html）?

????我們可以看到，我們的測試epub文件似乎并沒有嚴格按照epub規范將封面的linear屬性設置為“no”。正因為如此，第一次打開測試文件的時候，默認的第一頁是封面而不是正文。

.ncx文件

ncx代表“Navigation?Center?eXtended”，意思大致就是導航文件，這個文件與目錄有直接的關系。

.ncx文件中最主要的節點是navMap。navMap節點是由許多navPoint節點組成的。而navPoint節點則是由navLabel、content兩個子節點組成。

navPoint節點中，playOrder屬性定義當前項在目錄中顯示的次序。

navLabel子節點中的text節點定義了每個目錄的名字。

content子節點的src屬性定義了對應每個章節的文件的具體位置。

看到這里，可能會有有人覺得.opf文件與.ncx文件有一點重復：.opf文件的item節點中的href屬性描述了各個章節文件的位置與順序，.ncx文件中的conten節點中的src屬性也描述了各個章節文件的位置與順序。其實他們還是有區別的，區別就在于，.opf文件定義的是讀者在順序閱讀時會用到的章節文件與它們的順序，.ncx文件則定義的是目錄中會用到的章節文件與它們的順序。如果存在某些附件性質的內容被希望在目錄中出現，但卻不希望在讀者順序閱讀的時候出現時，那么就可以通過對.opf文件和.ncx文件進行不同的設置來達到這個目的。當然，大部分的時候，.opf與.ncx這兩個文件的內容基本是重合的。

.xhtml文件

.xhtm文件就是存儲每個章節具體內容。按照epub的規范，存儲具體內容的文件應該是xhtml為后綴名（參照http://zh.wikipedia.org/wiki/EPUB），但是似乎并不是每個epub里面都用xhtml作為存儲具體內容的文件的后綴名。比如，我們的測試文件就使用了html作為后綴名，我還看到過htm作為后綴名的。但其實不管用什么作為后綴名都不會有問題，因為在.opf和.ncx文件已經準確定義文件的位置和后綴名。同時，不管epub文件使用了什么后綴名，FBReader程序都是使用XHTMLReader類來處理這些文件。

樣式文件

樣式文件的作用是定義一些文本信息顯示的格式。并不是每一個epub文件內部都會附有樣式文件，沒有樣式文件的情況下，就會使用程序默認的樣式文件。

在FBReader程序1.0的版本里面并沒有專門讀取epub文件內部樣式文件的類。1.0的版本直接使用了/asstes/default/style.xml作為默認的樣式文件。不管是epub文件是否附有自帶的樣式文件文件，1.0的版本都使用的是這一套樣式文件的格式。2.0的版本增加了讀取自定義樣式文件文件的功能。大家可以在1.0版本和2.0版本下分別打開Quiet這本書（這個文件只作為測試用，請支持正版，多看中譯版購買地址），就可以明顯看到樣式文件格式的不同。

1.0版本中的css解析類：ZLTextStyleCollection類

2.0的版本中的樣式文件解析類：

1.0版本顯示效果：

2.0版本顯示效果（標題與小字部分都使用epub文件內置的樣式文件）

圖片文件

圖片文件一般集中存儲在一個文件夾里面。最常見的圖片的文件就是封面圖片。封面圖片的位置會在.opf文件標明。

Mimetype文件

這個文件的內容很簡單，只有一行：application/epub+zip。其實這行內容就是表明了epub文件的mimetype屬性。搞過網頁的朋友應該挺熟悉這個mimetype屬性的，html文件的mimetype屬性就是text/html，樣式文件文件的mimetype屬性是text/樣式文件，js文件的mimtype屬性則是application/javascript。

根據epub的標準，epub根目錄下必須包含mimetype文件，文件名與內容都不能變。不過，我仔細看了下FBReader代碼，并沒有發現專門針對這個文件的部分。我有試著把這個miemtype文件刪掉然后再重新壓縮成epub文件。FBReader程序還是能正常打開這個文件。總而言之，按照標準，mimetype文件必須有，而且文件名與內容都不能變。不過，實際操作起來，沒有mimetype文件，FBReader一樣能正常打開epub文件。

如果大家想更深入得了解epub文件的組成，可以參考下這個博客的相關內容。

http://blog.sina.com.cn/s/blog_6441e0640100gmfe.html

http://blog.sina.com.cn/s/blog_6441e0640100gmhv.html

http://blog.sina.com.cn/s/blog_6441e0640100gmi8.html

http://blog.sina.com.cn/s/blog_6441e0640100gmj9.html

轉載于:https://my.oschina.net/u/938986/blog/335833

總結

以上是生活随笔為你收集整理的第四章、epub文件处理 -- epub文件内部组成的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。