PDF转EPUB格式电子书经验总结 - yjbjingcha

PDF转EPUB格式电子书经验总结

依据本人将PDF转换为EPUB电子书的经验，总结整理了这篇文章。因本人水平有限，难免有错误和不足之处，望大家及时批评指正。

 

写这篇文章时，假定读者已经会使用文中所列出软件的基本操作，比方如何用Notepad++打开HTML文件，如何使用PDF Password
Remover（这个软件非常easy，稍有电脑操作基础的人打开后就知道怎么做）。另外读者须要对ePubBuilder的操作比較了解。

 

本文主要讨论图文并茂、非扫描版的PDF文档。对于扫描版PDF文件，假设是漫画一类的，能够直接用Adobe
Acrobat转化为图片制作EPUB，假设是文字形式的扫描电子书，能够使用OCR软件识别以转化成文字(ABBYY
FineReader识别效果相对较好)。但OCR识别中文准确率不够高，部分无法识别的汉字须要人工输入。对于纯文本形式的PDF，直接保存为TXT，然后转换就能够。

假设文字无法复制。能够用PDF
Password Remover解密，详细请參考本文的PDF解密部分。

 

下面摘自百度百科：

PDF是Portable Document Format（便携文件格式）的缩写，是一种电子文件格式，与操作系统平台无关，由Adobe
公司开发而成。PDF
文件是以PostScript语言图象模型为基础，不管在哪种打印机上都可保证精确的颜色和准确的打印效果，即PDF会忠实地再现原稿的每个字符、颜色以及图象。

PDF主要由三项技术组成：

　　· 衍生自PostScript，能够说是PostScript的缩小版；

　　· 字型嵌入系统，可使字型随文件一起传输；

　　· 资料压缩及传输系统。

PDF文件结构主要能够分为四个部分：

1．首部

2．文件体

3. 交叉引用表

4．尾部

 

 

一方面，PDF格式作为印前出版的工业标准。因为其排版相对复杂，文件内容也有比較复杂，比方PDF能够内嵌特殊字体，能够非常*的保存每一个图片、文本对象的绝对位置，而还有一方面，EPUB採用类似网页格式的XML标准，即使添加了CSS样式表的支持。排版效果还是远难及PDF，因此想把排版优良的PDF电子书完美地转换成EPUB格式。相对照较复杂。一些正版收费阅读器会推出一些排版质量非常高的EPUB，我试用过，排版确实不错。可是那仅仅有在非常精心的制作下才干得出，对于我们转换PDF的人来说，是非常不现实的，并且那些电子书一般收费是比較高的。应该还有授权限制，不可能共享出来让大家都能用（这些文件仅仅有在特定应用中登录特定账号后才干打开，复制给别人就打不开了）。

 

 

可能要用到的全部软件：

PDF Password Remover 3.0

Adobe Acrobat

Chrome浏览器（其它浏览器应该也行）

Notepad++

Microsoft Word

WPS

数码照片压缩大师

ePubBuilder

 

大致思路是首先解除password限制。然后导出为HTML格式，去除无关信息、修正乱码等。然后用ePubBuilder导入，完好书籍信息。分章节。自己用阅读器打开检查有无严重错误，然后公布。

为什么要转为HTML，由于这样的格式全然开源。优点理。出错率低，也和EPUB内部保存格式一致。

 

详细过程例如以下：

首先指明一点，下面的步骤最后要达到的排版上的目标是：全部图片都能正常显示。但都默认靠左（有些阅读器能够设定图片强制居中显示）。文字段落和图片分开。文字不会围绕图片，也就是不会左边一半是图，右边一半是文字。尽管那样效果更好，但难度太大。不易实现。

 

 

 

 

 

1、假设加密了，使用PDF Password Remover移除PDF文件加密限制。加密问题后面还会详细讨论。

 

 

 

2、用Acrobat打开，菜单中
文件，另存为（或导出）。选择生成HTML3.2格式（无CSS）。生成的时候可能比較慢。一定要耐心等，不要乱点鼠标。easy死机。依据经验，这里不选择HTML4.0（CSS1.0），虽然后者有CSS的支持，排版按理说会更好。但其实导入ePubBuilder中出错率大增，效果也并不好。

 

 

3、在浏览器中查看，有没有明显的错误。比方根本打不开，全是乱码。没有中文，没有图片等。全是乱码可能是HTML编码的问题，没有中文可能是PDF字体、编码的问题，没有图片也许是HTML链接的问题，解决起来非常麻烦，也不一定对。

假设真遇到这种严重问题，我也无能为力了。只是幸运地是，仅仅要PDF比較正常。不会出现这种问题。

 

这里简要说明一下，HTML一般由源文件和数据目录组成，如“摄影.html”和相应目录“摄影_files”，目录也有可能是其它名称。如images，源代码和数据目录通常要放在同一父目录下，目录中主要为图片等多媒体文件。可能还有CSS样式表、Javascript脚本一类的东西。在PDF导出的HTML3.2中，基本上仅仅会是图片。而html源文件事实上是文本文件，用记事本就能够打开，后面我们会用Notepad++直接操作HTML源文件。

 

 

4、从这一步開始，我们须要修正HTML的各种问题。会涉及一些可能不好懂得知识。对于了解HTML和正則表達式的人，应该能非常快明确。不懂的话照着做就能够了。

假设你在上一步打开HTML时感觉排版已经非常好了，并且没有多余的东西。能够直接跳过HTML修正的这些步骤。直接导入到ePubBuilder看效果假设。

 

5、用Notepad++打开HTML文件，我们能够看到其源代码如图。

 

 

6、替换删去html源代码中align代码以去除图片文字指定的对齐。使其默认左对齐。详细方法是，按Ctrl+H，或菜单中  搜索 -
替换。“查找模式”为“普通”，“查找目标”为align="center"，，“替换为”这个框不填，勾选“循环查找”，然后点击“所有替换”。

假设一次处理多个文件，则所有打开，点击“替换所有打开文件”就可以。

相同。“查找目标”分别改为align="left"，align="right"，align="justify"，所有替换。再次打开HTML时。你会发现原先位置有些混乱的图片看上去好多了。假设有些图片确实是居中更合适，能够不所有替换。或者在后文还会利用Word来改动。

 

这个版式就有点乱，原因就在于有些图片靠右对齐。有些靠左，还有的文字设定了两端对齐。

 

 

 

 

7、替换删去页眉等干扰图文（使用正則表達式）

一般的图书都会有页眉和页脚，比如图中红色框出的部分。还有像页码一类的标注。这些信息在生成EPUB后全然没有意义，由于EPUB在不同情况下页码分布并不一样。了解Word的人知道，在图书编辑时。页眉是能够批量编辑改动的，可是生成PDF之后页眉页脚变成了分别独立的对象，没办法同一时候删除。

 

 

假设页眉是文字，将在下一步处理，源代码中有可能文本採用的是转义字符，看不懂的情况下也不便改动。假设页眉含有图片。如图中的数字02，须要通过HTML源代码进行替换。方法例如以下。

用Chrome和Notepad++同一时候打开HTML文件。在Chrome中右击页眉图片，审查元素。底下会有个显示源代码的窗体，看清width和height后面相应的表示图片宽高的数字，切换到Notepad++，还是使用替换功能。首先把“查找模式”改为“正則表達式”，取消勾选“匹配大写和小写”，勾选“.
matches newline”。其它选项不变，查找目标为

<[^<>]*IMG[^<>]*width="39"[^<>]*height="71"[^<>]*>

注意中间没有不论什么空格，width和height后面的数字是刚刚在Chrome中看到的数字，然后所有替换，保存文件，但不要关闭Notepad++。

这时，宽度和高度符合要求的图片就没有了。然后在Chrome中刷新，看改动后有没有问题，假设有问题。在Notepad++中撤销更改，然后得针对实际情况详细分析（此处略去）。

一般在Chrome中还能看到一些页眉没有被替换掉，原因是他们的宽高可能与之前的有所差距，这时仅仅需反复前面动作即可了。

 

 

 

採用转义字符（形如& # 20154 ；）表示的汉字，非常难看明确：

 

 

 

 

 

8、用word进一步编辑

这一步完毕后HTML就会接近完美了。所以也非常关键。

用Word打开HTML（不推荐其它软件，由于包括整本书的HTML文件一般非常大，非常多软件打开非常easy死机。如WPS、DreamWeaver。而Word2010在这方面优化的不错，2003版的不清楚），打开后能够全选改动字体等。然后替换，去除少量无法显示的字符乱码。即显示为问号（相同注意尽量不要把原文问号替换没了），替换掉反复出现的站点信息、广告等。还有就是文字形式的页眉页脚（再次强调，注意尽量不要把原文中和页眉相同内容替换没了，Word中能够依据指定字体来替换，这样比較方便），对于不是非常规则的页码如：第x页，这种信息去除，则交给ePubBuilder来完毕。然后用Word把图文中排版不当的进行适度改动，不须要的文件夹则去除，没有严重问题就可以。

注意这里有个问题，假设PDF比較完整，有文件夹，要把文件夹中相应页码删除。就像这样：前言………………………………………………………………1，这个第一页在转换为HTML时就已失去意义了，没有必要保留。

另外此处注意一种常见的问题。就是个别文字是图片形式保存的。将在后文常见问题中具体说明。

 

 

Word强大的替换功能，能够指定替换前后的文字格式。

 

 

 

9、假设有必要的话。优化HTML文件。以便正确导入ePubBuilder。

这一步其实能够说应该还是ePubBuilder不够完好造成的吧。用Word编辑保存后的HTML文件头部会增加非常多特殊信息，如图中<meta....>，还有绿色的<!--..........-->部分（在标准的HTML中这样的形式的文本为凝视。删除后没有影响）等，另外还有图片的链接问题。这些问题有时会影响ePubBuilder导入，出现一些错误。

假设出现了错误。请尝试使用浏览器打开另存，用Notepad++删除绿色的<!--..........-->部分。

假设还是不行，使用用WPS新建文档（Word不行，WPS生成时会又一次链接图片，Word则不会），用浏览器打开HTML。全选并复制网页内容。粘贴到WPS。保存为HTML。

此时HTML文件会全然又一次生成，但图片可能会被WPS转为png，占用空间通常会增大，不推荐。

 

 

10、假设用了WPS又一次保存，请查看HTML文件的图片目录大小。假设过大，有必要压缩一下

压缩方法例如以下：

用数码照片压缩大师加入目录，输出jpg保存到还有一目录。然后用Notepad++打开HTML源代码。能够找到类似

<IMG 。。。 width="711" height="911" src="images/img_0.png"
。。

。>

这种图片标签，然后用普通模式替换“.png”为“.jpg”。

然后把图片目录的png图片删除，将压缩后的jpg移进去。

最后用浏览器打开后确认一下。

 

 

 

11、用ePubBuilder导入，编辑书籍信息，分章节，智能排版等

看有没有错误，有错的话改动一下。前面可能还遗留了一个问题，页脚形如“第x页”的去除。能够使用删除特征行的功能实现。

这里我还是提出ePubBuilder的一个缺陷。你可能会发现，原先的HTML排版非常好。还有字体信息等。但导入后都没有了，有些图片也会有些小问题，比方我的HTML如图。但导入后，字体格式没有了。文字、图片居中没有了并且原先在“摄影大师之道”左边的那个红框位置就全然乱了。这个我眼下还没有好的对策，期待着ePubBuilder功能继续完好吧。

 

 

12、导出EPUB，用掌上书苑或者其它查看器再查看一下是否正常。然后公布，等着审核通过拿书币吧^_^。是不是认为这书币拿的格外开心呢？

 

 

 

easy出现的问题，我分析了下面，大致有这些吧：

一是PDF的加密版权保护。

非常多PDF因为涉及版权问题，採用了一定的加密手段，最严格的一种是打开文件时要求输入password，如图所看到的。对于这样的情况，我们仅仅能使用Advanced
PDF Password Recovery一类软件暴力破解。这里就不具体介绍了，成功率不高。须要大量时间。

 

 

更常见的加密方式是。文件能够打开，但不能复制当中的文本。或者复制的是乱码。这种情况。我们使用PDF Password
Remover一般就能非常快移除加密限制。从而复制当中的文本。

 

 

二是PDF内嵌的字体。非常多PDF内嵌一些字体，会导致复制出来出现乱码现象。假设整个文档导出的文件错字连篇，我也不知有什么好办法，可是假设仅仅有少量错字，还是能够手工改动的，或者某几个字出错。能够採用替换的方式解决，当然自己主动替换所有文字时非常可能把正确的字给替换错了。

举个样例。假设文中所有“的”字变成了“癿”，我们能够放心的替换回来。由于这个字非常少见。可是假设“的”字所有变成了“白”字，盲目替换会把“明确”替换成“明的”，就出问题了。

对于这种情况，确实没有好办法解决。这一点尤其要注意。

另一种情况。个别文字的字体系统中没有（一般是由于其它文字使用的字体不支持这几个字，这几个字就会换成其它字体），然后会被转换成图片，如图。这就须要在Word中耐心一点手动改正了。

 

 

 

三是排版的问题。

比方以下这边排版精美的摄影电子书，图文并茂，文字在图片中间。转换成HTML后会如何呢？最后如你所料，有些混乱。这个也不好解决。假设你想制作优质的书，那就在Word中手动改动吧^_^。

（非常可惜我实在没有这般的耐心。）

另一种情况。非常奇特。在PDF中，文字也是一个个对象。通常一段字体同样的文字是一个对象。而每张图片是一个对象。

可是，PDF编辑器有个非常有意思的地方。比方说，两段文字原先是一个对象，你在当中插入一个空行，可能它就被分成两个对象了，反过来，两个同一性质的对象（都是文字或都是文字），靠得比較近时。又会自己主动并成一个对象。

奇迹就发生了。试想。下图中如果中间的图和以下的图靠得非常近，宽度也一致，然后就奇迹般地组合成一个对象了，然后输出的HTML中，他们成为了“连体婴儿”。成了一张图片，然后。你就不知道该怎么安排旁边那些描写叙述性的文字了（除非手工又把图片切割开）。所以仅仅好希望读者将就着看吧。哎，PDF转EPUB的无奈在此也可见一斑了。

 

 

 

 

本文首发自我的个人主页。转载请注明来源：http://www.hainter.com/pdf-to-epub