Extracting text from epub with python - 파이썬으로 epub에서 텍스트 뽑기

ai 에게 먹일 데이터를 요리중이다.

가지고 있는 epub들이 조금 있는데 이대로는 먹일 수 없으니 모두 text로 바꿔놔야한다.

그런데 생각보다 자료가 없었다.

특히 한글들이 모두 깨져나왔다.

calibre를 추천하기에 설치후 convert 해봤더니 출력 폴더를 선택할 수 없어 이것도 마찬가지로 꽤나 귀찮은 작업이었다 - 하지만 파이썬으로 끝내 실패한다면 이렇게라도 작업한 후 txt파일들을 모두 찾아 한번에 모으는 코드를 만들 작정이었다.. 지만 파이썬으로 해결했다.

먼저 EbookLib를 설치한다

 

1. pip install EbookLib
https://pypi.org/project/EbookLib/

EbookLib

 

- doc 도 살펴보자. 근데 좀 부족하다

https://docs.sourcefabric.org/projects/ebooklib/en/latest/tutorial.html#introduction

Tutorial — EbookLib 0.17 documentation

2. This is codes

import ebooklib
from ebooklib import epub
from bs4 import BeautifulSoup

book = epub.read_epub('./tear.epub')
result = book.get_metadata('DC', 'language') # 어떤 언어로 되어 있는지 확인할 수 있다

for idx, doc in enumerate(book.get_items_of_type(ebooklib.ITEM_DOCUMENT)):
    book = doc.content
    soup = BeautifulSoup(book, 'html.parser')
    soup = soup.select('p')
    for pTag in soup:
        print(pTag.text)

3. 알맞은 옵션을 찾는데 고생을 좀 했다.

- 한글 문제의 경우 stackoverflow는 큰 도움이 되지 않는다. 그리고 한글 문제도 아니었다.

- idx를 사용하기 위해 enumerate를 썼지만 이 경우 범용성이 떨어져 그냥 doc만 사용한다. 책의 특정 정보만 뽑아서 처리하고 싶다면 쓰는 것도 좋겠다.

4. 책 제목은 book.get_metadata('DC', 'title') 이렇게 가져올 수 있다.

- 이걸로 파일명을 만들어 폴더 하나에 저장하면 모든 epub파일을 한번에 txt로 만들수 있겠다.