PDF文档转换成mobi格式(for kindle)，并解决排版问题

0. 前言

正式介绍之前，先回答下面几个问题：

1. 为什么要将PDF转换成mobi？
想要将PDF转换成mobi格式，初衷在于想在kindle上面看一些从网上获取到的PDF文档。直接将PDF导入kindle本来也可以，但是效果不是很好——要么竖着看，但是字体很小；要么横着看，字体会大一些，但是总感觉比较别扭，而且PDF的一页需要在kindle上翻3页。
kindle支持azw3、mobi等格式，但是不支持直接将azw3格式的文档直接导入到kindle，所以需要将PDF文档转换成mobi格式

2. 为什么不直接用在线转换工具？
其实网上有很多工具支持将PDF转换成mobi格式，但是效果都很差：

1. 章节标题和正文内容没有区别；
2. 正文内容格式混乱，在kindle上看是以PDF的一行进行的分段，行首也没有空格
   

3. 将PDF转换成mobi格式，我大概怎么做？
将PDF转换成mobi格式，我主要是借助于calibre工具：

4. 转换效果如何？
转换之后效果如下图，其中对章节标题和段落划分进行了处理：

1. 下载和安装calibre

calibre下载地址：
https://calibre-ebook.com/download

根据自己的系统下载安装即可

2. PDF导入calibre，并转换为azw3格式

打开calibre，点击菜单栏的“添加数据”，选择PDF格式文件，点击“Open”

在calibre的主窗口中选中刚导入的图书，点击菜单栏的“转换书籍”，在弹出的转换窗口，将输出格式选择为“AZW3”，然后点击“确定”。

转换过程可能会持续一小段时间，看calibre主窗口右下角的任务执行结束即转换完成

【注】这里有一个坑，图书转换的设置，目录针对章节有一个默认的最大值，需要根据图书的实际情况进行调整。我一般将两个值分别设置为1000，50

3. 编辑电子书，获取HTML内容和图片

在calibre主窗口选中目标电子书，点击菜单栏的“编辑书籍”打开编辑书籍窗口

在编辑书籍窗口，选中文本下的“part0000.html”，点击右键，选择“导出part0000.html”

同样的方式，全选图片下的所有图片，然后导出

4. 程序处理HTML文档

由上一步可以看到，直接由PDF转换得到的HTML文档，PDF里面的每一行转换之后在HTML文档中都独立成了一段，而且段首也没有空格，章节标题也没有突出展示。

针对这个问题，于是自己写了一段Java代码，主要是根据语义对文档内容进行分段，同时将标题突出，然后将每一张的起始位置独立成页。

具体的代码见文末，里面也有比较详细的注释，有一些特殊情况的处理可以根据自己的要求适当修改代码。

5. 将HTML文档导入calibre，并转换成azw3格式

首先，将calibre中已有的同名电子书删掉，操作方式是：在calibre主窗口，选中要删除的电子书，右键，选择“移除书籍” > “移除选定书籍”，之后在弹出窗口做二次确认

然后，将处理之后的HTML文档导入到calibre，操作方式同第2章。

最后，由于直接导入的HTML文档是ZIP格式，不能直接进行编辑，所以需要再次将文档转换成azw3格式，操作方式同第3章。可以看到，导入HTML文档之后，图书的封面丢失了，可以在转换的时候，直接修改封面图（可以用第3章导出保存的图片），如下图：

6. 编辑azw3文档

这一步是非必须的，但是如果电子书中有插图，那么就需要在这一步进行补充。另外也可以在文件预览中检查各个HTML文件，如有必要，也可以进行简单编辑。

进入编辑操作同第3章所介绍，这里主要介绍一下补充图片。

在编辑书籍窗口，点击菜单栏的“新增文件”按钮。

然后在弹出框选择“导入文件”，选择需要导入的图片。注意，文件的路径最终要是“images/xx”格式。

最后点击“确定”。

如果有多张图片，则重复上面的操作。目前calibre不支持批量导入。

编辑完成之后，点击编辑书籍窗口菜单栏的“保存”按钮进行保存。

7. 将azw3文档转换成mobi格式

在calibre主窗口，选中电子书，点击“转换书籍”，在弹出窗口中，输入格式选择“AZW3”
，输出格式选择“MOBI”。点击“确定”。然后等转换任务结束。

转换结束之后，在calibre主窗口，选中电子书，在右侧边栏，点击“点击打开”即可获取到mobi格式的电子书。然后将其共享至kindle就可以了。

8. 附录

推荐的PDF电子书网址：
http://www.80pdf.com/
（大家有其他好的电子书链接也欢迎评论区共享。）

HTML格式文档处理代码：

package com.amwalle.walle.util;

import org.springframework.util.StringUtils;

import java.io.*;
import java.util.*;
import java.util.regex.Matcher;
import java.util.regex.Pattern;

public class PDFConverter {

    public static void main(String[] args) throws IOException {
        Scanner scanner = new Scanner(System.in);
        System.out.println("请输入要转换的文件路径： ");
        String filePath = scanner.nextLine();
        System.out.println(filePath);
        convert(filePath);
    }

    public enum HeaderLevel {
        Part("H1", ".*第.*部分.*"),
        Chapter("H2", "(.*第.*章.*)|(.*[1-9].*)");

        private String headerLevel;
        private String expression;

        HeaderLevel(String headerLevel, String expression) {
            this.headerLevel = headerLevel;
            this.expression = expression;
        }

        public static String getHeaderLevel(String input) {
            if (StringUtils.isEmpty(input) || (!input.contains("") && !input.contains("
"))) {
                return null;
            }

            String dummy = preHandleHeader(input);

            for (HeaderLevel level : HeaderLevel.values()) {
                Pattern pattern = Pattern.compile(level.expression);
                Matcher matcher = pattern.matcher(dummy);

                if (matcher.find()) {
                    return level.headerLevel;
                }
            }

            return null;
        }

        private static String preHandleHeader(String input) {
            String dummy = input;
            if (input.contains("") && input.contains("
")) {
                dummy = dummy.substring(dummy.indexOf("") + 4, dummy.indexOf("
"));
            } else if (input.contains("
") && input.contains("
")) {
                dummy = dummy.substring(dummy.indexOf("
") + 20, dummy.indexOf("
"));
            }

            dummy = dummy.replaceAll(" ", "");
            dummy = dummy.replaceAll("", "");
            dummy = dummy.replaceAll(" ", "");
            dummy = dummy.replaceAll("", "");
            dummy = removeSpace(dummy);
            return dummy;
        }

        public String getHeaderLevel() {
            return headerLevel;
        }

        public void setHeaderLevel(String headerLevel) {
            this.headerLevel = headerLevel;
        }

        public String getExpression() {
            return expression;
        }

        public void setExpression(String expression) {
            this.expression = expression;
        }
    }

    public static void convert(String filePath) throws IOException {
        File file = new File(filePath);
        if (!file.isFile() || !file.canRead() || !file.getName().endsWith(".html")) {
            System.out.println("请输入正确的html文件路径，并保证文件可读！");
        }

        String title = file.getName();
        title = title.replace(".html", "");

        File outFile = new File(filePath.replace(".html", "1.html"));
        if (outFile.exists()) {
            outFile.delete();
            outFile.createNewFile();
        }

        try (Scanner scanner = new Scanner(file, "UTF-8"); BufferedWriter outWriter = new BufferedWriter(new FileWriter(outFile))) {
            Set<String> catalog = new HashSet<>();

            StringBuffer output = new StringBuffer();
            boolean isIndentationNeeded = false;
            int count = 0;
            while (scanner.hasNextLine()) {
                count++;
                // 有些文件太大，需要在中间存一下文件
                if (count >= 10000) {
                    outWriter.append(output);
                    count = 0;
                    output.delete(0, output.length());
                }

                String line = scanner.nextLine();

                // 目录前面的内容（封面、版权等）
                if (catalog.isEmpty() && !line.startsWith("
)) {
                    output.append(line).append("\n");
                    continue;
                }

                // 处理目录：目录数据存set用于后续增加标题格式
                if (line.endsWith("
")) {
                    if (catalog.isEmpty()) {
                        output.delete(output.length() - 1, output.length());
                        String header = output.toString();
                        String catalogTitle = header.substring(header.lastIndexOf("\n") + 1);
                        // 格式化目录标题，增加目录前的分页
                        if (catalogTitle.contains("目录") || catalogTitle.contains("Contents")) {
                            catalogTitle = "
" + catalogTitle + "
" + "\n";
                            output.delete(header.lastIndexOf("\n") + 1, output.length());
                            output.append(addPagination(title));
                            output.append(catalogTitle);
                        } else {
                            output.append("\n");
                            output.append(addPagination(title));
                        }
                    }

                    line = line.replaceAll("part0000\\.html", "");
                    output.append(line).append("\n");

                    String temp = line.substring(line.lastIndexOf("\">") + 2, line.indexOf("
"));
                    temp = removeSpace(temp);
                    catalog.add(temp);

                    continue;
                }

                if (StringUtils.isEmpty(line)) {
                    output.append("\n");
                    continue;
                }

                // 处理章节标题
                if (isLineATitle(line, catalog)) {
                    isIndentationNeeded = true;

                    String titleLevel = HeaderLevel.getHeaderLevel(line);
                    if (HeaderLevel.Part.headerLevel.equals(titleLevel)) {
                        output.append(addPagination(title));
                        output.append("
").append(line).append("
").append("\n");
                        continue;
                    }

                    if (HeaderLevel.Chapter.headerLevel.equals(titleLevel)) {
                        output.append(addPagination(title));
                        output.append("
").append(line).append("
").append("\n");
                        continue;
                    }

                    output.append("
").append(line).append("
").append("\n");
                    continue;
                }

                // 首行缩进
                if (isIndentationNeeded) {
                    line = line.replace("
", "
");
                    line = line.replace("
", "");
                    output.append(line).append("\n");
                    isIndentationNeeded = false;
                    continue;
                }

                // 文本内容分段
                if (isParagraphEnd(line)) {
                    isIndentationNeeded = true;
                    line = line.replace("
", "");
                    line = line.replace("
", "");
                    output.append(line).append("\n");
                    continue;
                }

                // 普通行处理：去掉换行
                if (line.startsWith("
") && line.endsWith("
")) {
                    line = line.replace("
", "");
                    line = line.replace("
", "");
                    output.append(line);
                    continue;
                }

                output.append(line).append("\n");
            }
            outWriter.append(output);

            System.out.println("********************************************");
            System.out.println("Done! 生成的新文件路径： ");
            System.out.println(outFile.getPath());
        } catch (FileNotFoundException e) {
            System.out.println("File convert failed!");
            e.printStackTrace();
        }
    }

    private static String removeSpace(String input) {
        String result = input.trim().replaceAll("\\.", "").replaceAll("·", "");
        result = result.replaceAll("\\s*", "").replaceAll("\\u00a0", "").replaceAll((char) 12288 + "", "");

        return result;
    }

    private static String addPagination(String title) {
        return "\n" +
                "\n" +
                "\n" +
                "\n" +
                "\n" +
                "\n" +
                "  \n" +
                "  \n" +
                "\n" +
                "\n" +
                "\n";
    }

    private static boolean isLineATitle(String input, Set<String> catalog) {
        if (StringUtils.isEmpty(input) || (!input.contains("") && !input.contains("
"))) {
            return false;
        }

        String dummy = HeaderLevel.preHandleHeader(input);

        for (String catalogEntry : catalog) {
            if (StringUtils.isEmpty(catalogEntry)) {
                continue;
            }

            if (catalogEntry.equals(dummy)) {
                return true;
            }
        }

        return false;
    }

    private static boolean isParagraphEnd(String input) {
        Pattern pattern = Pattern.compile(".*(\\w
)$");
        Matcher matcher = pattern.matcher(input);
        if (matcher.matches()) {
            return false;
        }

        // 句子结尾的标点符号：./!/?/……/"」 （英文+中文）
        Pattern pattern1 = Pattern.compile(".*(([\\.|!|\\?|\"|\\u3002|\\uff01|\\uff1f|\\u2026|\\u201d|\\u300d])|(\\. ))
$");
        Matcher matcher1 = pattern1.matcher(input);
        return matcher1.matches();
    }
}