[发明专利]一种抽取试读文件的方法和装置

说明书

本发明公开了抽取试读文件的方法和装置，涉及计算机技术领域。该方法的一具体实施方式包括：获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；定位前预设抽取百分比的被标记字符中的最后一个字符，然后删除所述最后一个字符后的所有内容。该实施方式能够解决流式文档抽取试读文件的精度问题。

技术领域

本发明涉及计算机技术领域，尤其涉及一种抽取试读文件的方法和装置。

背景技术

随着移动互联网发展，越来越多的文档是数字文档，而信息与知识的重要性越来越高，版权的保护也越来越强，所以对于数字文档的分级阅读也越来越重要，在一些场合只能使用试读本(大概百分之二十)，从而需要从技术上对数字文档实现自动拆出试读文件。

在实现本发明过程中，发明人发现现有技术中至少存在如下问题：根据流式文档的网页文件个数的百分比拆分，对于试读文件的百分比的控制比较粗，尤其部分章节文件比较大的时候，其抽取出来的试读文件可能非常不合理。

发明内容

有鉴于此，本发明实施例提供一种抽取试读文件的方法和装置，能够解决流式文档抽取试读文件的精度问题。

为实现上述目的，根据本发明实施例的一个方面，提供了一种抽取试读文件的方法，包括获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；定位前预设抽取百分比的被标记字符中的最后一个字符，然后删除所述最后一个字符后的所有内容。

可选地，所述获得ePub文件中的所有网页文件，包括：解压ePub文件，获得ePub文件中OPF文件的路径；根据所述路径，读取OPF文件，获得所有网页文件。

可选地，所述定位前预设抽取百分比的被标记字符中的最后一个字符，包括：按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符，获取所述最后一个字符的标记；根据所述最后一个字符的标记，定位所述最后一个字符在对应的网页文件中的位置。

可选地，删除所述最后一个字符后的所有内容之后，还包括：修改OPF文件中的manifest文档和spine文档内容；其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有网页文件的顺序。

可选地，删除所述最后一个字符后的所有内容之后，还包括：将删除了所述最后一个字符后的所有内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。

根据本发明实施例的另一个方面，还提供了一种抽取试读文件的装置，包括标记模块，用于获得ePub文件中的所有网页文件，以对每个网页文件中的叶子标签和叶子标签内的字符进行标记；定位模块，用于定位前预设抽取百分比的被标记字符中的最后一个字符；删除模块，用于删除所述最后一个字符后的所有内容。

可选地，所述标记模块获得ePub文件中的所有网页文件时，包括：解压ePub文件，获得ePub文件中OPF文件的路径；根据所述路径，读取OPF文件，获得所有网页文件。

可选地，所述定位模块定位前预设抽取百分比的被标记字符中的最后一个字符时，包括：按顺序在已标记的所有字符中，查找前预设抽取百分比的被标记字符中的最后一个字符，获取所述最后一个字符的标记；根据所述最后一个字符的标记，定位所述最后一个字符在对应的网页文件中的位置。

可选地，所述删除模块，还用于：修改OPF文件中的manifest文档和spine文档内容；其中，OPF文件中包括了manifest文档和spine文档，manifest文档为记录OPF文件中的文件清单，spine文档为记录OPF文件中所有网页文件的顺序。

可选地，所述删除模块，还用于：将删除了所述最后一个字符后的所有内容的ePub文件进行压缩，然后将压缩后的ePub文件进行重命名并保存。