文章 134
评论 37
浏览 113687
JAVA通过epublib解析EPUB格式的电子书

JAVA通过epublib解析EPUB格式的电子书

什么是 epub 格式

就像视频文件有 MP4,AVI,RMVB 等等一样!电子书也有很多种格式:一文看懂mobi,azw3,epub格式电子书

可以将 epub 格式的电子书更换后缀名,然后解压打开查看里面的文件信息。

Java 解析 Epub 格式电子书

刚接到这个需求的时候,在网上找了很久,没找到很好的解析方法,最后找到了 epublib 这个解析库,但是下载对应的 jar 很麻烦,最终在 maven 仓库搜索找到了。

epublib 解析库

epublib:a Java library for reading and writing epub files (一个用于读写 epub 文件的 Java 库)

GitHub: https://github.com/psiegman/epublib

官方网址:http://www.siegmann.nl/epublib

API 地址:http://www.siegmann.nl/static/epublib/apidocs/(英文的)

第一步:引入对应的 pom 文件

        <dependency>
            <groupId>com.positiondev.epublib</groupId>
            <artifactId>epublib-core</artifactId>
            <version>3.1</version>
        </dependency>
        <!--html解析 -->
        <dependency>
            <groupId>org.jsoup</groupId>
            <artifactId>jsoup</artifactId>
            <version>1.12.1</version>
        </dependency>

第二步:常用关键类

1.Book    		表示电子书。通过 book 对象可以获取 resource,Metadata 等具体内容
2.Resource 		表示电子书内容资源, 一个 Resource 就是电子书的一部分内容,这资源信息可以是 html,css,js,图片等;
3.Resources 		表示电子书全部的 Resource 对象。可以用过 id,herf,MediaType 来获取对应的 Resource 对象
4.MetaData 		表示电子书的开篇信息。比如,作者,出版社,语言等;
5.Spine 		电子书的 resource 顺序,有人说是目录信息,其实不是,是 resource 的阅读顺序,是线性结构的
6.TableOfContent	电子书的目录信息,是树形结构的。可以获取到目录对应的resource。
7.MediaType		Resource 的类型描述。用于说明此 Resource 是何种类型(CSS/JS/图片/HTML/ VEDIO 等)。

第三步:解析一个epub文件

 public static void main(String[] args) {

        File file = new File("E:\\Download\\红楼梦.epub");
        InputStream in = null;
        try {
            //从输入流当中读取epub格式文件
            EpubReader reader = new EpubReader();
            in = new FileInputStream(file);
            Book book = reader.readEpub(in);
            //获取到书本的头部信息
            Metadata metadata = book.getMetadata();
            System.out.println("FirstTitle为:"+metadata.getFirstTitle());
            //获取到书本的全部资源
            Resources resources = book.getResources();
            System.out.println("所有资源数量为:"+resources.size());
            //获取所有的资源数据
            Collection<String> allHrefs = resources.getAllHrefs();
            for (String href : allHrefs) {
                Resource resource = resources.getByHref(href);
                //data就是资源的内容数据,可能是css,html,图片等等
                byte[] data = resource.getData();
                // 获取到内容的类型  css,html,还是图片
                MediaType mediaType = resource.getMediaType();
            }
            //获取到书本的内容资源
            List<Resource> contents = book.getContents();
            System.out.println("内容资源数量为:"+contents.size());
            //获取到书本的spine资源 线性排序
            Spine spine = book.getSpine();
            System.out.println("spine资源数量为:"+spine.size());
            //通过spine获取所有的数据
            List<SpineReference> spineReferences = spine.getSpineReferences();
            for (SpineReference spineReference : spineReferences) {
                Resource resource = spineReference.getResource();
                //data就是资源的内容数据,可能是css,html,图片等等
                byte[] data = resource.getData();
                // 获取到内容的类型  css,html,还是图片
                MediaType mediaType = resource.getMediaType();
            }
            //获取到书本的目录资源
            TableOfContents tableOfContents = book.getTableOfContents();
            System.out.println("目录资源数量为:"+tableOfContents.size());
            //获取到目录对应的资源数据
            List<TOCReference> tocReferences = tableOfContents.getTocReferences();
            for (TOCReference tocReference : tocReferences) {
                Resource resource = tocReference.getResource();
                //data就是资源的内容数据,可能是css,html,图片等等
                byte[] data = resource.getData();
                // 获取到内容的类型  css,html,还是图片
                MediaType mediaType = resource.getMediaType();
                if(tocReference.getChildren().size()>0){
                    //获取子目录的内容
                }
            }
        } catch (Exception e) {
            e.printStackTrace();
        } finally {
            //一定要关闭资源
            try {
                if (in != null) {
                    in.close();
                }
            } catch (IOException e) {
                e.printStackTrace();
            }
        }
    }

注意事项

1 解析后得到的data内容数据是html格式的富文本内容,如果需要纯文本,可以通过jsoup获取P标签的文本内容就可以了,但是获取后的纯文本排版就会乱。
2 资源当中可能会存在图片和css等等,不在目录或者spine当中的内容,可以通过Resources.getByHref等方法获取。


标题:JAVA通过epublib解析EPUB格式的电子书
作者:hjljy
地址:https://www.hjljy.cn/articles/2020/03/08/1583655540291.html

一个菜鸟程序员的踩坑日记

取消