分享个人进行 epub 文件校对的操作记录（使用 beyond compare）

edennow

epub 无疑是当前通用性最好、各项特性最丰富的电子书格式之一，实际上 epub 文件相当于是将一堆 html 文件按特定结构打包形成的压缩文件，
使用过 sigil 或者 calibre 编辑过 epub 文件的用户应该都清楚 epub 的结构。

个人在下载一定数量的 epub 格式的网文后，发现仍然有很多“精校”“读校”文本中出现了明显漏校的情况，
等自己去进行 epub 校对编辑的时候，如果想通过“校对助手”“txtFormat”等软件进行辅助校对，
发现由于 epub 文件的章节都是拆分成了很多个文件，无法直接像 txt 文件一样进行整体的校对（可能是我不太会用），而且我也不想每次都手动做“epub 转 txt->校对 txt->转回 epub”这种重复劳动。

因此完善了一下这个帖子“网文常见字词替换校对表”里的 FixText.zip（搜名字就能找到附件） 的 php 脚本，实现了“epub 合并成 txt ，以及后续拆分还原”的功能，顺便分享一下个人使用 beyond compare 的一些经验。

脚本下载解压后的结构如下：


将你想要处理的 epub 文件放入 books 文件夹中，可做以下流程的 epub 校对（txt 也同样支持）操作，

①通过 FixText 中自带的校对表进行自动文本粗校
执行 【双击运行】1.书籍校正.bat 或【双击运行】2.书籍校正（不进行原文件预处理）.bat，这两个命令都会对 books 文件夹中的书籍进行备份（自动复制一份到 booksBak 中）和递归校正。

区别在于第二个命令不会执行该帖 “网文常见字词替换校对表” 中提到的“原文件预处理”流程，自动备份在 booksBak 文件夹中的书籍原文件是原封不动的，

但是要注意，此时可能会在 beyond compare 中产生大量的差异项提示，请详细看看这个帖子中的“原文件预处理”，并确认你不需要进行原文件预处理，否则最好执行第一个命令脚本，会自动对原文件进行预处理。


校对运行结果：


执行校对命令后，需要在 beyond compare 中按 F5 进行刷新，最好是 Ctrl+F5 完整刷新，才能较好识别修改后的内容。

②将 epub 的所有文本文件进行自动合并，原样转成一个 TXT
第一步执行完成后，会看到 books 和 booksBak 中各有一个 epub 文件，其实 books 文件夹中的 epub 文件就是已经校正完成的结果文件，booksBak 文件夹内的则是经过原文件预处理的备份文件。

前面说了由于 epub 的文本分得太零散，在很多的校对软件中都不是很好校对，因此可以考虑将 epub 这些零散的 html 文件统一合并，转成一个完整的 txt 文档，便于进一步校对。

可以观察一下，绝大部分的 epub 文本的“章节正文”部分，和 txt 格式的文本其实并没什么差别，也就是在各段内容中套上了 <p></p> 这样的标签而已，最多也不过就是多了几张 <img></img> 标签的插图，以及一些 <div></div> <span></span> 包裹的修饰元素。
因此可以直接把它们原样合并，当成 txt 文本来校对，并不会有什么问题。

操作步骤如下：
执行 【双击运行】5.EPUB 文本合并，原样转成 TXT.bat（3 和 4 那两个解压和压缩的命令，因为操作体验并不好，算是已经废弃了，可以无视，直接执行 5 就好了），可发现在 books 文件夹中会多出相应的 【EPUB 合并文件】 前缀的 txt，这些就是从 epub 文本目录中合并后产生 txt 的文件：


直接拿这些合并出来的 txt 文件（相当于把同一本 epub 内的所有文本原样拼到了一起，html 标签也是原样保留的）去其他软件进行进一步校对即可。

强烈建议先通过 Beyond Compare 进行 books 和 booksBak 文件夹内的结果文件（带 【EPUB 合并文件】 前缀 的 txt 文件）比对，确认 FixText 脚本的修正效果（在 BC 中可以很方便地进行对误改项的还原），然后再去 txtFormat 之类的其他校对软件中进一步操作。

这一步会自动扫描书籍中所有含 html 文本的文本目录，我自己用了很多次，没有发现遗漏内容的情况，欢迎测试。

在合并的过程中，是对 html 根据文件名进行了排序之后再合并的，并没有去解析 epub 的根文件。
所以如果 epub 文件中的 html 文件名本身不是按从小到大的序号排列的话（比如本来是 chapter 1-100 的 html 文件列表，中间插入了 vol_1/2/3 之类的分卷文件名），
合并出来的 txt 文本的章节顺序和在 epub 编辑器和浏览器中看到的顺序，可能不会完全一样，但内容是没有遗漏的，相信也不怎么会影响校对操作。

如果文件中含有多个文本目录，（在一些合集书籍中有可能出现，合集里的每一本书都分别有各自的文本目录）
进行 epub->txt 原样合并的过程中，会产生多个合并 txt，也是直接拿去校对即可， 和对【普通的只有一个文本目录的 epub 文件】，在处理上没有什么区别：


③将校正后的 TXT 文件重新拆分还原成 epub
从其他软件校对完成后，再把这份 txt 拿回 books 目录，覆盖掉原先的文件（文件名千万不要改，里面的 html 标签也不要动），然后执行 【双击运行】6.EPUB 文本拆分还原（从 TXT 中拆分）.bat，即可进行 epub 还原，那些带 【EPUB 合并文件】前缀的 txt 和解压目录也会自动被清除。

完成了②③步后，就已经完成了“epub 文本校对并确认，重新进行 epub 打包”的流程，基本上很多你想改的错别字都已完成修正了。

清理书籍
至于那个 【双击运行】7.书籍清理（全部删除，包括备份）.bat 脚本，见名知义，就是将 books 和 booksBak 中的所有文件递归删除（不会放到回收站，是彻底删除）， 执行前请确保已经完成了对这两个文件夹内的文件处理，并已经把文件移动到了其他目录。

注意事项
另外说一下，这个 php 脚本因为属于是“急就章”，没有多少性能优化之类的操作，我自己一个人 debug 也只能保证“不做重复操作，执行不报错”，所以某些命令的执行时间不一定能快到哪里去。

在每个 bat 文件执行的时候，都会有 !!!!!!! 开始执行命令：【xxx】 !!!!!!! 的信息打印出来，在没看到 !!!!!!! 结束执行命令：【xxx】 !!!!!!! 的信息打印出来之前，最好不要关闭窗口，否则文件不知道会变成什么中间状态，也不要乱序、并行执行命令。

比如 5 和 6 是一对操作。
做了 5 的 epub 文本合并操作后，你能做的应该只有在 beyond compare 中进行文本比较，只有在执行完 6 的拆分还原后，才能进行其他操作。
如果你非要中断操作或者随心所欲操作，那只能多多善用【双击运行】7.书籍清理（全部删除，包括备份）.bat，从头再来了。



另外分享一下个人使用 beyond compare 比对的一些设置和操作：

上下文差异项比对
论坛里下载的 beyond compare 默认好像是只显示差异行数，在某些对修改结果不是很确定的段落，可以按下图点击一下，显示“上下文”的视图，以便于结合语境进行确认：


自动折行/换行
我用的 beyond compare 版本中甚至没有这个选项，在比较一些字数较多的段落时很不方便，按如下设置可完成 txt 的自动折行：


下一个差异文件
取消勾选后，如果 beyond compare 中正在比较多个目录，方便一路用 ctrl+m 往下跳到另一文件目录。



文本编码错误导致的“编辑禁止”处理
beyond compare 比对过程中可能出现如图所示的编码错误， 这是由于文本原文件中就已经用了某些编码不一致的字符（例如某些 emoji 等），
如果你用了我写的 FixText 脚本，和 php 脚本的执行 99.99% 没有关系。


这时在 beyond compare 中没有办法直接进行编辑，这时可以将比较选项切换成 “显示所有”， 按 ctrl+g 快捷键，快速定位到具体行数，自己到别的编辑器把它提示的错误字符改掉，再回来 beyond compare 进行对比编辑。

如果这里出现的其实是 cjk 扩展区的中文字符，也可以直接在顶部把编码改成 ANSI 试试，若不再报错也可直接编辑。

beyond compare 论坛内下载地址：
http://www.1000qm.vip/forum.php?mod=viewthread&tid=42400
这个帖子里的倒数第二个附件。

ps：
写得比较啰嗦，如果能耐心看完，欢迎交流^_^

如果你有使用我写的这个脚本，可以在 beyond compare 中把 books 和 booksBak 两个文件夹对比的会话长期保存，后续只用考虑比较这两个文件夹内的不同内容就行了。

最好每次使用完脚本后都用 【双击运行】7.书籍清理（全部删除，包括备份）.bat 进行清理，这样不会让脚本对旧数据重复执行操作。

兵河之心

技术部的大牛！！！！

笾豆

最好的教程，谢谢

李九成

技术部的大牛！！！！

cumt313

楼主有心了，还是对错词库感兴趣，校对助手和黑马我都在用。

iioo

谢谢老哥的教程和工具，有空捣鼓几下

笾豆

能不能录个视频，，发一下啊

edennow

笾豆 发表于 2023-10-24 15:06
能不能录个视频，，发一下啊

帖子虽然写得比较啰嗦，但核心就是把书籍放到 books 文件夹，一键执行校对（执行 1 那个 bat）。

然后如果是 epub 文件，再一键原样转成 txt（执行 5 那个 bat），去 beyond compare 比较，比较完后，执行 6 那个 bat 还原成 epub 就已经结束了（如果是 txt 都不用执行 5 和 6，直接在 beyond compare 对比完就完事了）。

如果录视频感觉也录不出啥流程，可能帖子里的很多细节（feihua）也没办法很完整地展示。

建议就找一两本书按我说的这个流程操作一遍，应该就可以理解了，后续再详细看帖子里的细节。如果有哪一步有疑问，可以提出来我看看怎么解答。

kll85757

请问有没有什么像快速处理注释一样的，处理插图的方法啊？

edennow

kll85757 发表于 2024-1-23 13:54
请问有没有什么像快速处理注释一样的，处理插图的方法啊？

具体是怎样的需求？