使用 Python 提取 epub 中的文本
前言
最近读了《繁花》这本书,就想着能不能使用 Python 把 epub 格式的小说中的文本给提取出来,然后进行文本分析。本来我以为 Python 的相关的库是很多的,然而在实际运用过程中却遇到了困难。网上能够找到的库基本上只有一个 ebooklib,这是让我很惊讶的。
无奈之下,只好去研究 epub 格式的文件的构造,经过研究,发现 epub 电子书格式其实是很多个 xhtml 文件的压缩格式,这一下子就好办了,这样我就可以直接用 BeautifulSoup 来解析它们了。(BeautifulSoup,写过爬虫的应该不会陌生)
正文
我把原 epub 文件解压后的文件夹 blossoms 放在项目的根目录下
然后直接上代码
1 |
|
因为经过我的研究,所有的文本都是放在 p 标签内部的,所以,我需要做的就只是遍历所有的 xhtml 文件,然后将其中的 p 标签中的文本全部提取出来即可。
上面的程序输出如下
图书在版编目(CIP)数据
繁花/金宇澄著.-上海:上海文艺出版社. 2013.3 ISBN 978-7-5321-4800-4 Ⅰ.①繁… Ⅱ.①金… Ⅲ.①长篇小说-中国-当代 Ⅳ.①1247.5 中国版本图书馆CIP数据核字(2013)第034242号
上海市重大文艺创作项目 由上海文化发展基金会资助
出场人物
一、1960年代初
二、文革时期至1980年代初
三、1990年代初
上帝不响,像一切全由我定……
独上阁楼,最好是夜里。《阿飞正传》结尾,梁朝伟骑马觅马,英雄暗老,电灯下面数钞票,数清一沓,拿出一副扑克牌,捻开细看,再摸出一副。接下来梳头,三七分头,对镜子梳齐,全身笔挺,骨子里疏慢,最后,关灯。否极泰来,这半分钟,是上海味道。
如果不相信,头伸出老虎窗,啊夜,层层叠叠屋顶,“本滩”的哭腔,霓虹养眼,骨碌碌转光珠,软红十丈,万花如海。六十年代广播,是纶音玉诏,奉命维谨,澹雅胜繁华,之后再现“光市”的上海夜,风里一丝丝苏州河潮气,咸菜大汤黄鱼味道,氤氲四缭,听到音乐里反复一句女声,和你一起去巴黎呀一起去巴黎呀去巴黎呀。对面有了新房客了,窗口挂的小衣裳,眼生的,黑瓦片上面,几支白翅膀飘动。
八十年代,上海人聪明,新开小饭店,挖地三尺,店面多一层,阁楼延伸。这个阶段,乍浦路黄河路等等,常见这类两层结构,进贤路也是一样,进店不便抬头,栏杆里几条玉腿,或丰子恺所谓“肉腿”高悬,听得见楼上讲张,加上通风不良的油镬气,男人觉得莺声燕语,吃酒就无心思。
古罗马诗人有言,不亵则不能使人欢笑。
引 子
沪生经过静安寺菜场,听见有人招呼,沪生一看,是陶陶,前女朋友梅瑞的邻居。沪生说,陶陶卖大闸蟹了。陶陶说,长远不见,进来吃杯茶。沪生说,我有事体。陶陶说,进来嘛,进来看风景。沪生勉强走进摊位。陶陶的老婆芳妹,低鬟一笑说,沪生坐,我出去一趟。两个人坐进躺椅,看芳妹的背影,婷婷离开。沪生说,身材越来越好了。陶陶不响。沪生说,老婆是人家的好,一点不错。陶陶说,我是烦。沪生说,风凉话少讲。陶陶说,一到夜里,芳妹就烦。沪生说,啥。陶陶说,天天要学习,一天不学问题多,两天不学走下坡,我的身体,一直是走下坡,真吃不消。沪生说,我手里有一桩案子,是老公每夜学习社论,老婆吃不消。陶陶说,女人真不一样,有种女人,冷清到可以看夜报,结绒线,过两分钟就讲,好了吧,快点呀。沪生说,这也太吓人了,少有少见。陶陶说,湖心亭主人的书,看过吧。沪生说,啥。陶陶说,上下本《春兰秋蕊》,清朝人写的。沪生说,不晓得。陶陶说,雨夜夜,云朝朝,小桃红每夜上上下下,我根本不相信,讨了老婆,相信了。沪生看看手表说,我走了。陶陶说,比如昨天夜里,好容易太平了,半夜弄醒,又来了。沪生不响。陶陶说,这种夫妻关系,我哪能办。沪生不响。陶陶说,我一直想离婚,帮我想办法。沪生说,做老公,就要让老婆。陶陶冷笑说,要我像沪生一样,白萍出国几年了,也不离婚。沪生讪讪看一眼手表,准备告辞。陶陶说,此地风景多好,外面亮,棚里暗,躺椅比较低,以逸待劳,我有依靠,笃定。沪生说,几点钟开秤。陶陶说,靠五点钟,我跟老阿姨,小阿姐,谈谈斤头,讲讲笑笑,等于轧朋友。陶陶翻开一本簿子,让沪生看,上面誊有不少女人名字,地址电话。陶陶掸一掸裤子说,香港朋友送的,做生意,行头要挺,要经常送蟹上门,懂我意思吧,送进房间,吃一杯茶,讲讲人生。沪生不响。
此刻,斜对面有一个女子,低眉而来,三十多岁,施施然,轻摇莲步。陶陶低声说,看,
......
总字数约 35 万字,所以这里只截取小部分。
版权声明: 本博客所有文章除特别声明外,均采用 CC BY-SA 4.0 协议 ,转载请注明出处!