第四章、epub文件处理 -- epub文件内部组成

2019独角兽企业重金招聘Python工程师标准>>>

第四章、epub文件处理 -- epub文件内部组成

第三章的结尾，我们说到从FBReaderApp类的openBookInternal方法，就要开始对epub文件的处理流程了。

在对这个流程进行详细的分析之前，我们有必要先用一个章节详细介绍一下epub文件的内部组成。

首先，epub文件一种压缩文件，是压缩格式是与zip压缩文件是一样的。换一句话说，epub文件是可以用支持zip格式的解压缩文件解压的（有些软件不能识别epub后缀名，需要手动把.epub的后缀名改成.zip）。

把epub文件解压之后，打开文件夹，我们可以看到有如下的文件与文件夹，我们一个一个来看一下。

META-INF文件夹

这个文件文件夹的名字翻译成中文就是“元信息”。文件夹里面只有一个container.xml文件

container.xml文件

文件的内容如下：

这段内容的作用就是标明了.opf文件的位置。这个.opf文件是一个很重要的文件，它记录了epub文件内部各个文件的具体信息，我们会在介绍OPS文件夹的时候详细介绍这个文件。

程序必须正确解析.opf文件的内容后才能正常运行，但是.opf这个文件的文件名本身却是可以自定义的，也就是说，不同的epub文件里面可能包含不同名字、位于不同行位置的.opf文件。那么，如何确保程序能够正确找到并解析.opf文件呢，就是通过container.xml这个文件来指定.opf文件。正是基于这个原因，epub文件的标准里规定“EPUB 根目录下必须包含 META-INF 目录，而且其中必须要有一个文件 container.xml”（引用自http://blog.sina.com.cn/s/blog_6441e0640100gmhv.html）。

大家可以试一下，如果你把解压后的epub文件里的container.xml文件改名后再重新压缩成epub文件，程序就会报错。

OPS文件夹

OPS文件夹主要包含三种重要的文件.opf文件、ncx文件、.xhtml文件。同时，还可能会有css文件和图片文件。下面详细介绍下这些文件。

.opf文件

opf代表“Open Packaging Format”，意译成中文差不多应该是“EPUB文件包格式”。我们说过epub文件是个zip压缩文件，opf文件的作用可以被理解为描述了EPUB文件解压后，内部各个文件和文件夹的名字、位置等信息。

.opf文件主要包含三个主要的节点metadata、manifest、spine，这个三个节点分别描述了不同信息。

其中，metadata节点定义了epub的作者、书名、语言等元信息。这些元信息大部分都在dc的命名空间下。dc代表Dublin Core，意指国际组织“Dublin Core Metadata Initiative”定义的标准。

manifest节点的作用是描述epub文件内部对应不同章节对应的文件的位置。manifest节点在这里的作用有点像之前提到的container.xml文件：container定义了.opf文件的位置，而manifest节点中的item子节点的href属性则定义了含有对应每个章节的文件的位置。

spine节点的作用是定义读者在顺序阅读时，每个章节出现的先后次序。linear这个节点的作用是这样的：“ EPUB 规范的阅读系统将首先打开 spine 中没有设置为 linear=no 中的第一项”。所以，“建议将封面定义为 linear=no”。（引用自http://blog.sina.com.cn/s/blog_6441e0640100gmi8.html） 

    我们可以看到，我们的测试epub文件似乎并没有严格按照epub规范将封面的linear属性设置为“no”。正因为如此，第一次打开测试文件的时候，默认的第一页是封面而不是正文。

.ncx文件

ncx代表“Navigation Center eXtended”，意思大致就是导航文件，这个文件与目录有直接的关系。

.ncx文件中最主要的节点是navMap。navMap节点是由许多navPoint节点组成的。而navPoint节点则是由navLabel、content两个子节点组成。

navPoint节点中，playOrder属性定义当前项在目录中显示的次序。

navLabel子节点中的text节点定义了每个目录的名字。

content子节点的src属性定义了对应每个章节的文件的具体位置。

看到这里，可能会有有人觉得.opf文件与.ncx文件有一点重复：.opf文件的item节点中的href属性描述了各个章节文件的位置与顺序，.ncx文件中的conten节点中的src属性也描述了各个章节文件的位置与顺序。其实他们还是有区别的，区别就在于，.opf文件定义的是读者在顺序阅读时会用到的章节文件与它们的顺序，.ncx文件则定义的是目录中会用到的章节文件与它们的顺序。如果存在某些附件性质的内容被希望在目录中出现，但却不希望在读者顺序阅读的时候出现时，那么就可以通过对.opf文件和.ncx文件进行不同的设置来达到这个目的。当然，大部分的时候，.opf与.ncx这两个文件的内容基本是重合的。

.xhtml文件

.xhtm文件就是存储每个章节具体内容。按照epub的规范，存储具体内容的文件应该是xhtml为后缀名（参照http://zh.wikipedia.org/wiki/EPUB），但是似乎并不是每个epub里面都用xhtml作为存储具体内容的文件的后缀名。比如，我们的测试文件就使用了html作为后缀名，我还看到过htm作为后缀名的。但其实不管用什么作为后缀名都不会有问题，因为在.opf和.ncx文件已经准确定义文件的位置和后缀名。同时，不管epub文件使用了什么后缀名，FBReader程序都是使用XHTMLReader类来处理这些文件。

样式文件

样式文件的作用是定义一些文本信息显示的格式。并不是每一个epub文件内部都会附有样式文件，没有样式文件的情况下，就会使用程序默认的样式文件。

在FBReader程序1.0的版本里面并没有专门读取epub文件内部样式文件的类。1.0的版本直接使用了/asstes/default/style.xml作为默认的样式文件。不管是epub文件是否附有自带的样式文件文件，1.0的版本都使用的是这一套样式文件的格式。2.0的版本增加了读取自定义样式文件文件的功能。大家可以在1.0版本和2.0版本下分别打开Quiet这本书（这个文件只作为测试用，请支持正版，多看中译版购买地址），就可以明显看到样式文件格式的不同。

1.0版本中的css解析类：ZLTextStyleCollection类

2.0的版本中的样式文件解析类：

1.0版本显示效果：

2.0版本显示效果（标题与小字部分都使用epub文件内置的样式文件）

图片文件

图片文件一般集中存储在一个文件夹里面。最常见的图片的文件就是封面图片。封面图片的位置会在.opf文件标明。

Mimetype文件

这个文件的内容很简单，只有一行：application/epub+zip。其实这行内容就是表明了epub文件的mimetype属性。搞过网页的朋友应该挺熟悉这个mimetype属性的，html文件的mimetype属性就是text/html，样式文件文件的mimetype属性是text/样式文件，js文件的mimtype属性则是application/javascript。

根据epub的标准，epub根目录下必须包含mimetype文件，文件名与内容都不能变。不过，我仔细看了下FBReader代码，并没有发现专门针对这个文件的部分。我有试着把这个miemtype文件删掉然后再重新压缩成epub文件。FBReader程序还是能正常打开这个文件。总而言之，按照标准，mimetype文件必须有，而且文件名与内容都不能变。不过，实际操作起来，没有mimetype文件，FBReader一样能正常打开epub文件。

如果大家想更深入得了解epub文件的组成，可以参考下这个博客的相关内容。

http://blog.sina.com.cn/s/blog_6441e0640100gmfe.html

http://blog.sina.com.cn/s/blog_6441e0640100gmhv.html

http://blog.sina.com.cn/s/blog_6441e0640100gmi8.html

http://blog.sina.com.cn/s/blog_6441e0640100gmj9.html

转载于:https://my.oschina.net/u/938986/blog/335833