電子書籍フォーマットとして広く使われている EPUB ファイルから、連番で画像を抽出する方法です。
ツール作りました! pip でインストールできます。https://github.com/ytyng/epub-extract-jpeg
EPUB ファイルの概要
EPUB ファイルとは、平たく言えば ZIP圧縮された XHTML です。 コミックで一般的に使われる形式では、1ページが1つの XHTML ファイルになっており、その中に 1 つの img タグが あり、画像ファイルにリンクされています。
そのため、手順としては
- EPUB ファイルを解凍
- 構成情報の XML ファイルを解析し、ページ画像の URL (パス) を取得
- ページ画像を連番で改名コピー(移動)
となります。
1. EPUBファイルを解凍
unzip で一発です。
$ mkdir /tmp/epub-extract
$ unzip sample.epub -d /tmp/epub-extract
2. 構成情報の XML ファイルを解析し、ページ画像の URL (パス) を取得
まず、展開後のディレクトリにある META-INF/container.xml を開きます。 ここに、rootfile というタグがあるので、その full-path 属性を見ます。 full-path の XML ファイルが、各ページの目次のようなものになります。
full-path が示す XML ファイルで、manifest タグの中に item タグが複数あります。 これらは、EPUB 中の XHTML から使われているファイルです。
3. ページ画像を連番で改名コピー(移動)
この、item タグの中はおそらくページ順になっているので、このファイルをスクリプトで連番で改名コピーしながら収集すれば、ページ画像を抽出できます。
本来であれば、直接画像のパスを読むのではなく、ページの XHTML ファイルを開き、そこからリンクされている画像を収集していくのが正しいのですが、ページの XHTML の順と画像の item タグの順が一致しないケースは稀だと思いますので(EPUB 作成者が意図的に XHTML ファイルと画像ファイルの順番を一致させなかった場合などは、ページ数が正しく取得できません)、item タグの順で処理して基本的には問題無いでしょう。
これで、EPUB ファイルから画像ファイルを抽出する方法は終わりです。 最後に、Python スクリプトにした例を掲載しておきます。
from __future__ import print_function, unicode_literals
import os
import time
import sys
import subprocess
import shutil
from xml.etree import ElementTree
TEMP_DIR = '/tmp/epub-extract-{}'.format(int(time.time()))
def procedure(file_path):
if not os.path.exists(file_path):
print("{} is not exist.".format(file_path), file=sys.stderr)
return
output_dir, ext = os.path.splitext(file_path)
if ext != '.epub':
print("{} is not epub.".format(file_path), file=sys.stderr)
return
if os.path.exists(output_dir):
print("{} is already exists.".format(output_dir), file=sys.stderr)
return
os.mkdir(TEMP_DIR)
subprocess.Popen(
('unzip', file_path, "-d", TEMP_DIR),
stdout=subprocess.PIPE, stderr=subprocess.PIPE).communicate()
os.mkdir(output_dir)
container_xml_path = os.path.join(TEMP_DIR, 'META-INF', 'container.xml')
etree = ElementTree.parse(container_xml_path)
rootfile_node = etree.find(
".//{urn:oasis:names:tc:opendocument:xmlns:container}rootfile")
content_opf_path = rootfile_node.attrib['full-path']
content_xml_path = os.path.join(TEMP_DIR, content_opf_path)
etree = ElementTree.parse(content_xml_path)
manifest = etree.find('.//{http://www.idpf.org/2007/opf}manifest')
items = manifest.findall('.//{http://www.idpf.org/2007/opf}item')
image_paths = []
for item in items:
if item.attrib['media-type'] == 'image/jpeg':
image_paths.append(item.attrib['href'])
root_dir = os.path.dirname(content_xml_path)
for i, image_path in enumerate(image_paths, start=1):
destination_image_name = '{:03d}.jpg'.format(i)
source_image_path = os.path.join(root_dir, image_path)
destination_image_path = os.path.join(
output_dir, destination_image_name)
shutil.move(source_image_path, destination_image_path)
print('{} -> {}'.format(image_path, destination_image_name))
shutil.rmtree(TEMP_DIR)
def main():
for arg in sys.argv[1:]:
procedure(arg)
if __name__ == '__main__':
main()
追記: Github に上げて、pip でインストールできるようにしました。
