docparser-epub

EPUB2 / EPUB3 后端：container.xml → OPF（metadata / manifest / spine）→ 逐 spine 文档解析， 每章保留结构化块（标题 / 段落 / 列表 / 引用 / 代码 / 表格），而不是压平成一段文本。

安装

cargo add docparser-epub   # 或 cargo add docparser-sdk（含 core + pdf + office + epub）

用法

走统一引擎（推荐，epub 由扩展名 + ZIP magic 路由）：

use docparser_core::{DocumentEngine, Registry};

let mut reg = Registry::new();
docparser_core::plugins::text::register_defaults(&mut reg);
docparser_epub::register_defaults(&mut reg);
let doc = DocumentEngine::new(reg).parse("book.epub")?;
for page in &doc.pages {
    println!("{}: {} blocks", page.name.clone().unwrap_or_default(), page.blocks.len());
}

只想要书的结构化结果（元数据 + 分章块）：

let book = docparser_epub::read_epub("book.epub")?;
println!("{} / {:?} / {}", book.meta.title, book.meta.authors, book.meta.year);
for ch in &book.chapters {
    println!("[{}] {} 字", ch.title, ch.text.chars().count());
}

书库/缩略图场景只取封面与书名（不读正文）：

let (cover_href, title) = docparser_epub::epub_cover_href("book.epub");

结构解析规则

已知边界

• DRM 不解密：带 META-INF/encryption.xml 的加密书会在读取正文时报 corrupt。
• 图片/字体/样式资源不解包，只记录封面路径。
• href 不做 percent-decoding（与 Python 参考实现一致）。
• 与 Python 的差异：Python 每章只给一段纯文本，这里保留块结构；空白处理沿用 HTML 插件的「只去首尾」。

许可

MIT OR Apache-2.0