python - 如何获取 "HTTPS"链接以及如何在 python 中将 epub 转换为 txt？

Question

我想将 epub 转换为 txt。我首先通过 zipfile 将 epub 转换为 xhtml。然后我尝试通过 beautifulsoup 将 xhtml 转换为 epub。

但是，由于本地文件名存在问题。例如，我的 xhtml 文件名是“C:\Users\abc.xhtml”，而不是“HTTPS”。所以 beautifulsoup 不起作用。

我该如何解决这个问题？

'''
import zipfile

zf = zipfile.ZipFile('C:\\Users\\abc.epub')
zf.extractall('C:\\Users\\Desktop\\folder')
'''
import re, requests
from bs4 import BeautifulSoup
html = "C:\\Users\\abc.xhtml"

soup = BeautifulSoup(html, 'lxml')
print(soup.text)

Answer 1

您不需要 BeautifulSoup 来提取。

您可以使用可从 PyPi 安装的 epub-conversion 包将 .epub 文件转换为文本:

pip install epub-conversion

现在从 epub 存档中提取文本是一个简单的任务:

逐行:

from epub_conversion.utils import open_book, convert_epub_to_lines

book = open_book("some_file.epub")

lines = convert_epub_to_lines(book)

现在，正如您的问题一样，您可以将其作为一个整体打印或选择处理每一行:

print(lines)

# or traverse each line
for line in lines:
    print(line) # Or do something completely different