Skip to content

README_ja.md

Latest commit

 

History

History
232 lines (161 loc) · 6.48 KB

README_ja.md

File metadata and controls

232 lines (161 loc) · 6.48 KB

EpubToSplitTxt

.NET C# License

Epub 電子書籍テキスト変換・章分割システム

.epub 形式の電子書籍をプレーンテキストに変換し、章ごとに個別の TXT ファイルにインテリジェントに分割

English | 中文 | Русский | 한국어 | 日本語

✨ 機能

  • ✅ Epub ファイル構造の自動解析とテキスト抽出
  • ✅ インテリジェントな章タイトル認識（中国語・英語形式をサポート）
  • ✅ 読書順序を維持するシーケンス番号付きの個別 TXT ファイルに章ごとに分割
  • ✅ 序章、プロローグなどの特殊章をサポート
  • ✅ 互換性のための BOM なし UTF-8 エンコーディング出力
  • ✅ 低メモリ使用量での大容量ファイルのストリーム処理
  • ✅ 設定可能な章マッチングルール

🛠️ 技術スタック

ライブラリ バージョン 用途
.NET 9.0 ランタイム環境
VersOne.Epub 3.3.0 Epub ファイル解析
HtmlAgilityPack 1.11.59 HTML コンテンツクリーニング
Microsoft.Extensions.Configuration - 設定管理

🚀 クイックスタート

1. プロジェクトビルド

dotnet build

2. Epub ファイルの準備

.epub 電子書籍ファイルを RawEpub ディレクトリに配置:

EpubToSplitTxt/
├── RawEpub/
│   ├── 小説1.epub
│   └── 小説2.epub

3. プログラム実行

dotnet run

4. 結果確認

プログラムは自動的に以下のディレクトリ構造を生成します:

EpubToSplitTxt/
├── IntermediateTxt/          # 中間ファイル（全文テキスト）
│   ├── 小説1_全文.txt
│   └── 小説2_全文.txt
├── SplitOutput/              # 章分割出力
│   ├── 小説1/
│   │   ├── 000_プロローグ.txt
│   │   ├── 001_第1章_転生.txt
│   │   ├── 002_第2章_修練.txt
│   │   └── ...
│   └── 小説2/
│       └── ...

⚙️ 設定

設定ファイル: appsettings.json

{
  "Splitter": {
    "ChapterRegex": "(^第[0-9一二三四五六七八九十百千]+[章节卷].*)|(^Chapter [0-9]+.*)|(^序章.*)|(^楔子.*)|(^引子.*)|(^后记.*)|(^尾声.*)",
    "MinChapterLength": 100
  },
  "Paths": {
    "RawEpubFolder": "./RawEpub",
    "IntermediateTxtFolder": "./IntermediateTxt",
    "SplitOutputFolder": "./SplitOutput"
  }
}

設定オプション

オプション 説明 デフォルト
Splitter:ChapterRegex 章タイトルマッチング用正規表現 中国語/アラビア数字などをサポート
Splitter:MinChapterLength 最小章文字数（下回ると警告） 100
Paths:RawEpubFolder 元の Epub ファイルディレクトリ ./RawEpub
Paths:IntermediateTxtFolder 全文中間ファイルディレクトリ ./IntermediateTxt
Paths:SplitOutputFolder 章分割出力ディレクトリ ./SplitOutput

📑 サポートされる章形式

デフォルトでサポートされる章タイトル形式:

  • ✅ 中国語数字: 第一章, 第二十章, 第一百章
  • ✅ アラビア数字: 第1章, 第001章
  • ✅ 英語形式: Chapter 1, Chapter 2
  • ✅ 特殊章: 序章, 楔子, 引子, 后记, 尾声

他の形式をサポートするには、appsettings.json の ChapterRegex を変更してください。

📊 処理フロー

[Epub ファイル]
    ↓
[EpubConverter] Epub 構造を解析
    ↓
[HTML クリーニング] タグ削除、エンティティ変換
    ↓
[全文テキスト] 単一 TXT ファイルにマージ
    ↓
[TextSplitter] 行スキャンと章マッチング
    ↓
[章ファイル] シーケンス番号付き個別ファイルとして出力

📝 ログ説明

  • [INFO]: 通常処理情報（解析進捗、統計）
  • [WARN]: 警告情報（章が小さすぎる、章がマッチしないなど）
  • [ERROR]: エラー情報（破損ファイル、I/O エラーなど）

⚡ パフォーマンス最適化

  • ✅ プリコンパイル済み正規表現（RegexOptions.Compiled）
  • ✅ 大容量テキストファイルのストリーム読み取り（StreamReader）
  • ✅ テキスト全体を一度にメモリに読み込まない
  • ✅ ファイルサイズ削減のための BOM なし UTF-8

⚠️ 注意事項

  1. エンコーディング: すべての出力ファイルは BOM なし UTF-8 エンコーディングを使用
  2. ファイル名: 不正文字の自動クリーニング、アンダースコアで置換
  3. ディレクトリ構造: 混乱を避けるため各書籍に個別のサブフォルダを作成
  4. 正規表現タイムアウト: バックトラッキングトラップ防止のため章マッチングに 1 秒タイムアウト設定

🏗️ システムアーキテクチャ

コアコンポーネント

  • EpubConverter: Epub ファイルの解析とテキスト抽出を担当
  • TextSplitter: 章認識とテキスト分割を担当
  • AppSettings: 設定管理モデル

依存関係

Program.cs
   ├── EpubConverter (VersOne.Epub, HtmlAgilityPack)
   ├── TextSplitter (System.Text.RegularExpressions)
   └── AppSettings (Microsoft.Extensions.Configuration)

🔧 拡張開発

カスタム章マッチングルール

appsettings.json の正規表現を変更:

{
  "Splitter": {
    "ChapterRegex": "カスタム正規表現パターン"
  }
}

新しい出力形式の追加

TextSplitter.cs の SplitTextAsync メソッドを変更して他の形式（例: Markdown）をサポート。

📄 ライセンス

このプロジェクトは個人学習・研究目的のみです。関連する著作権法を遵守してください。

🤝 貢献

Issue と Pull Request を歓迎します！

Made with ❤️ using .NET 9 and VersOne.Epub