PDF 图书内容转换

[Dream4ever]

需求描述

现有的图书资源以 PDF 格式为主，要使用这些资源，就需要先把它们转换成可用的格式。

转换成 XML

PDF 电子书可以通过 Adobe Acrobat 导出为 XML 1.0 格式的文档，XML 文档整体结构如下。

<?xml version="1.0" encoding="UTF-8" ?>
<TaggedPDF-doc>
<?xpacket begin='' id='W5M0MpCehiHzreSzNTczkc9d'?>
<?xpacket begin="" id="W5M0MpCehiHzreSzNTczkc9d"?>
  这里是文档元信息，如创建/修改时间，标题、作者等等
<?xpacket end="w"?>
<?xpacket end='r'?>
  这里是文档内容
</TaggedPDF-doc>

但是有个问题：在文档内容中，出现 Ruby 标签对的地方，标签对内的 RB 标签和 RT 标签在 XML 文档里的顺序，和在 PDF 文档里的顺序是相反的。而且所有出现 Ruby 标签的地方，都是汉字在前面的 RB 标签中，单个的左/右双引号在 RT 标签中。

转换成 TXT

也可以直接把 PDF 导出成 TXT 格式的纯文本文档并复制到浏览器中，然后在浏览器中用自定义的编辑器给每一段文字刷上对应的格式，再增加插入图片、视频之类的功能（需要在服务器上搭建文件服务，Nginx 也要做对应的配置，不是个小工程），编辑完成的文档导入 MongoDB 即可。

方案调研

PDF 转换

• modesty/pdf2json
• 手动在本地把 PDF 导出成 TXT 格式的纯文本文档

文本编辑

• GitHub: text editor
  • 更具体一点：markdown 编辑器？带 UI 的更好，方便使用。
  • 继续：还需要考虑如何将页面中设置好格式的富文本传入后端数据库，比如标题、段落、引用等类型的内容，都要设置对应的标签，这个标签是包在文本的外面放在同一个字段中，还是说放在不同的字段中，都是需要好好考虑的事情。
  • 富文本中嵌入的图片、音频、视频等资源，还需要传入下面的 seaweedfs 中，传入之后会生成资源文件的链接，这个链接也要更新到上面编辑的富文本中，这么一看，工作量很大啊。

文件服务

• chrislusf/seaweedfs
  • 不只是文件服务搭建起来就行，应该还需要 Nginx 进行相关配置才能正常使用。

XML to HTML

• GitHub: xml to html
• 首选项目：posthtml/posthtml

应用过程

要点总结