Más arreglos con RegEx (Expresiones Regulares) después de la conversión desde PDF a un ePUB para Mi PAPYRE 6.1 reader

Como ya sabéis, los PDFs dan para mucho cuando de convertirlos a ePUB se trata, sobre todo por el tipo de “zurraspas” que nos quedan antes de lograr un ebook decente. Ya hemos comentado varios ejemplos en este BLOG (aquí y también aquí)  pero viendo estos ejemplos no he podido resistirme a preguntarle a Coco y compartir sus soluciones.

Por que visto lo visto, vamos a necesitar mucha ayuda de Coco. Lo primero que nos encontramos es esto:
Es decir, el texto de los encabezados de los capítulos completamente mezclados e integrados como si fueran parte del cuerpo del texto.
En lenguaje natural humano, la expresión de búsqueda tendrá que ser: “justo después del principio de párrafo, un grupo de números romanos delimitado por un punto (.) y seguido por todo lo que haya hasta el siguiente (.)”
Efectivamente:

<p class="calibre1">([IVX]*)(.\s*)([\sÁÉÍÓÚA-Z]+)(\.\s*)([\(\ÑñÓ/ÃÁÉÍÚáéíóúÜü¡!?¿*:«»"'-%…=–º©—“”#{(¼)\).,;a-zA-Z0-9\-_\s\c]*)</p>

Y en la expresión de sustitución aprovecharemos para aplicarle el formato deseado de encabezado de capítulo, incluyendo un cambio de pagina justo delante:

<div>
  <hr class="sigilChapterBreak" />
</div>

 
<h3><span class="chapterHeader"><span class="blanco"></span> <span class="count serif">\1.</span></span> <span class="chapterText serif">\3</span></h3>

<p class="MsoNormal">\5</p>

Como en la búsqueda utilizamos el (.) para “apoyarnos” en la operación, cómo divisoria de las dos partes del texto a encontrar, resulta más sencillo simplemente escribirlo en la operación de sustitución. De ahí el \1.





Y después de aplicar la expresión nos queda esto:

En nuestro segundo ejemplo tenemos:

Es decir, un párrafo partido varias veces; primero por un resto de un número de página; y luego por un salto de párrafo espurio. Un desastre.

En lenguaje natural humano, a expresión de búsqueda tendrá que ser: “Todo lo que exista hasta el primer salto de párrafo que incluya dentro de sí un grupo numérico; más todo lo que exista hasta el primer cambio de párrafo después del cambio de párrafo incorrecto.”

<p class="calibre1">([\(\ÑñÓ/ÃÁÉÍÚáéíóúÜü¡!?¿*:«»"'-%…=–º©—“”#{(¼)\).,;a-zA-Z0-9\-_\s\c]*)</p>

<p class="calibre1"></p>

<p class="calibre1">([0-9]+)</p>

<p class="calibre1">([\(\ÑñÓ/ÃÁÉÍÚáéíóúÜü¡!?¿*:«»"'-%…=–º©—“”#{(¼)\).,;a-zA-Z0-9\-_\s\c]*)</p>

<p class="calibre1">([\(\ÑñÓ/ÃÁÉÍÚáéíóúÜü¡!?¿*:«»"'-%…=–º©—“”#{(¼)\).,;a-zA-Z0-9\-_\s\c]*)</p>

La expresión de sustitución será sencilla puesto que se trata de “empalmarlo” todo junto dentro de un único párrafo:

<p class="calibre1">\1 \3 \4</p>

El resultado final es este:

 

 

Sin duda, Coco nos ha ayudado mucho a mejorar el aspecto de nuestro libro electrónico ePUB.


Y recordad, niños, esto es CERCA y esto es LEJOS