還有，epub版本最大的優點：不需要網路也可以看。
幾個步驟：
- 先用CSNovelCrawler把要抓的小說抓下來，CSNovelCrawler可以從這裡抓：http://rngmontoli.blogspot.tw/2013/06/csnovelcrawler.html
- CSNovelCrawler抓下來的檔案是純文字檔，得把它轉成HTML或是doc檔案。
- 轉成HTML檔案
- 轉成DOC檔案：
- 用calibre把HTML或是DOC檔案轉成epub
麻煩的是第二點，一開始是用DOC檔案，但是每一章標題得自己轉成DOC的標題，不然轉出來的epub就沒有bookmark。在WORD內要偵測每一章標題的標題就只能用VBA，但是這玩意的語法很奇怪，微軟文件也沒有很詳細的介紹。最後還是用硬幹法寫出來了，但是速度很差，轉個1MB檔案要快10分鐘。這還可以接受，反正只是放著就好。
最終放棄DOC檔案的契機是，我不是每台電腦都有WORD啊。要換成open office還得重寫open office的script。算了，試試看HTML檔案吧。
首先得先選擇轉HTML檔的語言。C/C++，JAVA跟C#都出局，因為他們處理文字跟檔案實在很麻煩。那就來試試看python吧。
結果太好了，沒幾行就可以了。下面是python的程式碼。它做的事情很簡單：
還有一點要注意：用Calibre把HTML檔轉成epub的時候，因為它預設是不會把<h2>標籤輸出成epub的bookmark，所幸可以手動指定(第一級目錄頁設為 //h:h1，第二級目錄頁設為//h:h2)：
結果太好了，沒幾行就可以了。下面是python的程式碼。它做的事情很簡單：
- 開檔案
- 把一些字轉換掉（主要是空白跟簡體）
- 一行一行找＂第x章＂這類的文字，有的話就加上<h2>標籤，不然就是<p>標籤。
- 如果是<h2>標籤的文字，再把中文數字轉成阿拉伯數字，原因是我不喜歡中文數字，很不直覺跟佔字數。"一千一百一十八"跟"1118"比，我還是喜歡1118。直接在網路上找到這個用即可（https://github.com/binux/binux-tools/blob/master/python/chinese_digit.py）。
還有一點要注意：用Calibre把HTML檔轉成epub的時候，因為它預設是不會把<h2>標籤輸出成epub的bookmark，所幸可以手動指定(第一級目錄頁設為 //h:h1，第二級目錄頁設為//h:h2)：
import os, sys
import os, sys
dict ={u'零':0, u'一':1, u'二':2, u'三':3, u'四':4, u'五':5, u'六':6, u'七':7, u'八':8, u'九':9, u'十':10, u'百':100, u'千':1000, u'萬':10000,
u'０':0, u'１':1, u'２':2, u'３':3, u'４':4, u'５':5, u'６':6, u'７':7, u'８':8, u'９':9,
u'0' :0, u'1' :1, u'2' :2, u'3' :3, u'4' :4, u'5' :5, u'6' :6, u'7' :7, u'8' :8, u'9' :9,
u'壹':1, u'貳':2, u'參':3, u'肆':4, u'伍':5, u'陸':6, u'柒':7, u'捌':8, u'玖':9, u'拾':10, u'佰':100, u'仟':1000, u'萬':10000,
u'兩':2,
u'億':100000000}
def GetResultForDigit(a, encoding="utf-8"):
count = 0
result = 0
tmp = 0
Billion = 0
while count < len(a):
tmpChr = a[count]
#print tmpChr
tmpNum = dict.get(tmpChr, 0)
#如果等于1亿
if tmpNum == 100000000:
result = result + tmp
result = result * tmpNum
#获得亿以上的数量，将其保存在中间变量Billion中并清空result
Billion = Billion * 100000000 + result
result = 0
tmp = 0
#如果等于1万
elif tmpNum == 10000:
result = result + tmp
result = result * tmpNum
tmp = 0
#如果等于十或者百，千
elif tmpNum >= 10:
if tmp == 0:
tmp = 1
result = result + tmpNum * tmp
tmp = 0
#如果是个位数
elif tmpNum is not None:
tmp = tmp * 10 + tmpNum
count += 1
result = result + tmp
result = result + Billion
return str(result)
def Katino_format( input_file_name, author ):
filename, file_extension = os.path.splitext(input_file_name)
output_file_name = filename + '.html'
with open(input_file_name, 'r', encoding='utf8') as input_file:
print('file is opened.');
with open(output_file_name, 'w', encoding='utf8') as output_file:
output_file.write("<!DOCTYPE html>\n");
output_file.write("<html>\n");
output_file.write("<title>" + filename + "</title>\n");
output_file.write("<meta name=Author content=\"" + author + "\">");
output_file.write("<body>\n");
output_file.write("<h1>" + filename + "</h1>\n");
for line in input_file:
#print(line);
# replace redundent line break
line = line.replace("\n\n", "\n");
# remove 4 spaces
line = line.replace(" ", "");
# remove 2 full-size spaces
line = line.replace(" ", "");
# replace 1 full-size space with half-size space
line = line.replace(" ", " ");
# replace 1 ? space with half-size space
line = line.replace(" ", " ");
# replace '(' with '（'
line = line.replace("(", "（");
# replace ')' with '）'
line = line.replace(")", "）");
# replace ',' with '，'
line = line.replace(",", "，");
line = line.replace(":", "：")
line = line.replace("!", "！");
line = line.replace("?", "？");
line = line.replace("隻是", "只是");
line = line.replace("麵對", "面對");
# find 第x章
keyword1_pos = line.find("章");
keyword2_pos= -1
chapter_find = 0;
if keyword1_pos >=0 and keyword1_pos < 10:
keyword2_pos = line.find("第");
if keyword2_pos >= 0 and keyword2_pos < 5 and keyword2_pos < keyword1_pos:
# replace ' ' with ' '
line = line.replace(" ", " ");
# add ' ' if no ' ' after '章'
if line[keyword1_pos+1] != ' ':
line = line[:keyword1_pos+1] + ' ' + line[keyword1_pos+1:];
# try convert chinese number to arabic number
chinese_number = line[keyword2_pos+1:keyword1_pos];
arabic_number = GetResultForDigit(chinese_number)
print(line + ": " + chinese_number + "-->"+ arabic_number)
line = line.replace(chinese_number, arabic_number);
# it is <h2>
chapter_find = 1;
if chapter_find == 1:
line = line.replace("\n", "");
output_file.write("<h2>" + line + "</h2>\n");
else:
if line != "\n":
line = line.replace("\n", "");
output_file.write("<p>" + line + "</p>\n");
output_file.write("</body>\n");
output_file.write("</html>\n");
output_file.close()
input_file.close()
return
author = '蝴蝶藍';
Katino_format('[蝴蝶藍] 天醒之路[1].txt', author)
print('done.');
No comments:
Post a Comment