如何使用脚本更改 epub 文件中的某些文本？

Question

我最近买了一个 Nook Simple Touch。我使用 Calibre 管理我的电子书，并将它们传输到 Nook。

由于 B&N 对 epub 规范的非标准实施，Nook ST 在从许多来源获得封面图像时不会显示它们。此处描述了该问题：http://john.nachtimwald.com/2011/08/21/nook-covers-not-showing-up/ 基本上，Nook ST 要求封面的 XML 属性采用以下格式：

<meta name="cover" content="id5" />

但许多 epub 创作者都以这种方式使用它们：

<meta content="id5" name="cover" />

然后 Nook ST 会完全忽略封面图片。

我一直在手动编辑我的 epub 文件中的 content.opf 文件。到目前为止，他们都有图像元，但它总是围绕“错误”的方式（根据 Nook 的说法是错误的）。

最近我一直在玩 REGEX，主要是为了尝试自动清理 Calibre 从 PDF 文件转换的 epub。我仍然是 REGEX 的初学者。

我想知道如何自动交换“名称”和“内容”属性？我认为它可以通过 REGEX 和脚本的组合来完成。我知道我拥有的其他一些与 epub 相关的脚本是用 Python 编写的。我在 Mac (OS X) 上，它们似乎运行良好。 AppleScript 也可能是一个不错的选择，尽管我希望人们可以在任何平台上运行它，因为我相信其他人会发现这很有用。

以下是我预见的步骤：

~解压epub文件

~使用正则表达式查找：

<meta content="???" name="cover">

~ 如果找到，使用 REGEX 将其更改为：

<meta name="cover" content="???">

~ 使用正确的压缩过程将提取的文件压缩回 epub。

我在这里找到了信息：http://www.mobileread.com/forums/showthread.php?t=55681 解释如何正确压缩 epub 文件。基本上它需要这两个命令：

zip -X0 "full path to new epub file" mimetype
zip -rDX9 "full path to new epub file" * -x "*.DS_Store" -x mimetype

我想将生成的脚本发布到任何可能找到和使用的地方（直到 B&N 解决他们糟糕的 epub/XML 实现）。我想到了在 Calibre 论坛和 mobileread 论坛上发布它（因为它们是我熟悉的两个，并且已经看到人们讨论此问题的手动修复）。

有人可以指导我如何创建这样的脚本吗？理想情况下，我很想真正知道如何创建脚本，这样随着时间的推移，我可以自己开始弄清楚这些事情（尤其是 REGEX 部分，因为我越来越看到它是多么有用）。

谢谢。

乔纳森

@Haldean：添加以说明我在对 Haldean 的评论中关于使他的脚本递归地通过所有子文件夹中的所有 content.opf 文件工作的意思。

> My_expanded_epubs
- -> epub_one_expanded
- - - -> content.opf
- -> epub_two_expanded
- - - -> content.opf
- -> epub_three_expanded
- - - -> content.opf
etc.

Answer 1

如果您愿意使用 shell 脚本（我认为这是一个更好的选择），那么您可以使用 sed 单线：

sed 's/<meta content="\(.*\)" name="cover" \/>/<meta name="cover" content="\1" \/>/' [your-file]

这应该将content 属性首先出现的所有元行替换为具有正确顺序的元行。一个等效的 Python 翻译是：

import re
import sys
with open(sys.argv[1]) as f:
  for line in f:
    # Match this line to the wrong-way-around meta tag, put the content in group 1
    m = re.match(r'<meta content="(.*)" name="cover" />', line)
    if not m:
      print line
    else:
      print '<meta name="cover" content="%s" />' % m.group(1)

Answer 2

我建议您使用 sed 处理解压后的文件，并执行以下操作：

sed -e 's/<[ ]*meta[ ]*content[ ]*=[ ]*"\(.*\)"[ ]*name[ ]*=[ ]*"cover"[ ]*\/*[ ]*>/<meta name="cover" content="\1" \/>/g'

请注意，此版本将处理多余或缺少的空格或斜线。

您可能希望随后使用 xml 处理器（我建议使用使用 lxml 的 python 脚本）来验证您的编辑没有针对任何创建的无效标记。

使用任何类型的 XML 工具来执行操作在极端情况下都没有吸引力，因为完全兼容的 XML 处理器可能会进行其他完全合法的更改，并且还会触发您的角落中的其他错误。使用sed，您可以只编辑文档中您想要编辑的部分。

Answer 3

就我个人而言，我不会使用正则表达式 (its the wrong tool) 来执行此操作。你能用 XSLT 吗？

---

编辑：

这是一个演示。 http://www.xsltcake.com/slices/nvLRJ6

有多个XSLT librarys for python。

---

编辑：

如果你坚持使用正则表达式，你会想要这样的模式：
<meta content="([^"]+)" name="([^"]+)" \/>

我用disclaimer that this is the wrong tool 这么说，但有些极端情况会导致这不可靠，我不推荐它。

http://regexr.com?301uq

Answer 4

我同意zapthedingbat's answer：这是一个 XML 问题，所以让我们使用专门为 XML 设计的工具，即 XSLT。

由于您是 XSLT 的新手，因此您需要一个 XSLT 处理器来尝试这个解决方案。如果你使用 *nix，xsltproc 是一个命令行处理器，几乎可以肯定默认安装，你可以从表面上接受这个解决方案。如果没有，您需要查看您选择的语言是否有用于执行 XSL 转换的 API。

这里有一个非常简单的重新排序属性的通用解决方案：

<xsl:stylesheet version="1.0" xmlns:xsl="http://www.w3.org/1999/XSL/Transform">

  <xsl:template match="@*|node()">
  <!-- copy everything as is -->
    <xsl:copy>
      <xsl:apply-templates select="@*|node()"/>
    </xsl:copy>
  </xsl:template>

  <xsl:template match="meta">
    <!-- except for the <meta/> element, reverse the attribute order -->
    <meta name="{@name}" content="{@content}"/>
  </xsl:template>
</xsl:stylesheet>

这是你的例子：

<root>
  <meta content="id5" name="cover" />
</root>

使用xsltproc 运行 XSLT：

$ xsltproc so.xsl so.xml

结果：

<root>
  <meta name="cover" content="id5"/>
</root>