オライリーのPDF書籍をePubに変換する

なんとなく日本語PDFをePub化することができたので、その手順をメモっとく。ただし、以下の方法ソースをベタでイジるので万人にはおすすめできない。

大まかな手順は、

Calibre最新版をインストール
Calibreの最新ソースを落としてくる
poppler(pdftohtmlコマンドが含まれている)の最新版を落としてくる
xpdf-japanese 言語サポートパッケージを用意する
Calibreのソースを改変、無理やり日本語対応させる

という感じ

環境は、Mac OS X Snow Leopard 10.6.7
以下、手順の詳細

Calibre最新版をインストール

以下から最新版をダウンロード／インストールする。
calibre - E-book management

このときのバージョンは

$ calibre --version
calibre (calibre 0.7.55)

Calibreの最新ソースを落としてくる

ソースコードをいじりたいので、Calibreのソースコードを落としてくる。
Calibreのソースコードの管理にはBazaarを使ってるっぽい。
HomeBrew 経由で Bazaar をインストールして、Calibre のソースコードを落としてくる。

$ brew bazaar
$ bzr branch lp:calibre

ソースコードを落としてきたら、ソースコードのパスを環境変数に設定する。例えば以下のような感じ。

$ export CALIBRE_DEVELOP_FROM=/Users/snaka/work/calibre/src/

これで、calibreのコマンドを実行したとき、/Applicationフォルダのほうじゃなくて、CALIBRE_DEVELOP_FROMで指定した先のソースコードを実行してくれるようになる。

詳しくは、以下のページを参照。
Setting up a calibre development environment ― calibre User Manual

Popplerのダウンロード

Calibre は pdftohtml というコマンドを使って PDF を XHTML に変換しているらしい。その pdftohtml コマンドも本家ではなく、Poppler という Xpdf を fork したライブラリに含まれるバージョンのものを前提としている。
Calibreをインストールすると pdftohtml コマンドもインストールできるが、日本語の処理がダメっぽいので、自分で最新の Poppler をインストールする。
これもHomeBrew経由でインストールできる。

$ brew poppler

このときのバージョンは

$ brew info poppler
poppler 0.16.3
http://poppler.freedesktop.org/
Depends on: pkg-config
/usr/local/Cellar/poppler/0.16.3 (284 files, 18M)
http://github.com/mxcl/homebrew/commits/master/Library/Formula/poppler.rb

pdftohtml 及び Poppler プロジェクトについては以下のページを参照
PDFTOHTML conversion program
Poppler

xpdf-japanese 言語サポートパッケージをインストールする

このままだと、pdftohtml 日本語が処理できないので、xpdf-japanese 言語サポートパッケージをダウンロード／インストールする。

Xpdf: Download

上記ページの "Language Support Packages"から、"Japanese"をダウンロード。ダウンロードしたファイルをtarで展開し、適当な場所（REDMEに従えば、/usr/local/share/xpdf/japanese）に格納する。

$ cd ~/work
$ wget ftp://ftp.foolabs.com/pub/xpdf/xpdf-japanese.tar.gz
$ tar zxvf xpdf-japanese.tar.gz
$ cd /usr/local/share
$ mkdir xpdf
$ cd xpdf
$ mkdir japanese
$ cd japanese
$ cp ~/work/xpdf-japanese/* .

そして、~/.xpdfrc にadd-to-xpdfrcの内容を追加する。

$ cat add-to-xpdfrc >> ~/.xpdfrc

これで、pdftohtmlコマンドで日本語が扱えるようになった。

Calibreのソースを改変して無理やり日本語XHTMLを出力させる

まず、Calibre付属の pdftohtml じゃなく、自分でダウンロードしてきた pdftohtml*1を使うようにするため、calibre/ebooks/pdf/pdftohtml.py を以下のように書き換える。

=== modified file 'src/calibre/ebooks/pdf/pdftohtml.py'
--- src/calibre/ebooks/pdf/pdftohtml.py 2011-04-08 23:51:07 +0000
+++ src/calibre/ebooks/pdf/pdftohtml.py 2011-05-01 10:26:15 +0000
@@ -18,8 +18,8 @@
 
 PDFTOHTML = 'pdftohtml'
 popen = subprocess.Popen
-if isosx and hasattr(sys, 'frameworks_dir'):
-    PDFTOHTML = os.path.join(getattr(sys, 'frameworks_dir'), PDFTOHTML)
+#if isosx and hasattr(sys, 'frameworks_dir'):
+#    PDFTOHTML = os.path.join(getattr(sys, 'frameworks_dir'), PDFTOHTML)
 if iswindows and hasattr(sys, 'frozen'):
     PDFTOHTML = os.path.join(os.path.dirname(sys.executable), 'pdftohtml.exe')
     popen = partial(subprocess.Popen, creationflags=0x08) # CREATE_NO_WINDOW=0x08 so that no ugly console is popped up

あと、出力するXHTMLに lang='ja' と xml:lang='ja' 属性を強制的に追加*2すよう、 calibre/ebooks/oeb/base.py を以下のように書き換える。

=== modified file 'src/calibre/ebooks/oeb/base.py'
--- src/calibre/ebooks/oeb/base.py      2011-03-23 04:40:01 +0000
+++ src/calibre/ebooks/oeb/base.py      2011-05-01 10:23:02 +0000
@@ -974,6 +974,10 @@
                                 '')
                         data = data.replace("<?xml version='1.0' encoding='utf-8'??>", '')
                         data = etree.fromstring(data, parser=RECOVER_PARSER)
+
+                data.attrib['lang'] = 'ja'
+                data.set('{http://www.w3.org/XML/1998/namespace}lang', 'ja')
+
             elif namespace(data.tag) != XHTML_NS:
                 # OEB_DOC_NS, but possibly others
                 ns = namespace(data.tag)

これで、ebook-convert コマンドが日本語PDFに対応できるようになった。