最近把《芦笛全集》pdf转成文本文件,放到手机里看。文本没有章节索引,看起来很不方便,后来想到用umd格式,用软件自己编辑又太麻烦,所以决定做个程序排版。
一开始找了篇介绍umd格式的文章,看了一会觉得工作量还不小。突然想起.Net的程序可以反编译,上网下载了一套Reflector+FileDisassembler试了试,真是吃了一惊,居然整个project都复原出来了,怪不得有人说.Net基本等于开源了。浏览一下代码,umd文件的读写封装成几个类,估计网上很多umd软件都是用的这个,干脆把它打包成一个dll。
接下来开始写文本的整理,原来是一个文件放了很多文章。逐行读取,分为以下几个步骤:
1.按文章标题分章节——判断一篇文章的头和尾,比如标题一般比较短,结尾有“2008年6月12日”或"2008-6-12",或2个换行,而且下一行比较符合标题的特征。按章把内容存入umd;
2.分段落——从pdf转过来后,每行的长度基本都一样,只要判断一行长度是否与其他行一样,结尾的标记是否是句号、问号、感叹号、省略号等;
3.去除多余文字——比如页眉、页脚、页码、空格、空行
最后存入umd文件即可
CUMDBook umdBook = new CUMDBook();
CChapter chapter = new CChapter();
chapter.Title = "标题1";
chapter.Content = "内容……";
umdBook.Chapters.Add(chapter);
UMDFactory.WriteUMDBook(this.umdBook);
拷到手机上一看,可以按章节随意看了,呵呵。