这是“文件格式探究”专题的第 1 期——初探 “ePub” 文件格式。这个专题将会给各位读者呈现笔者探索各种文件格式的过程,具体则是文件的内容是 ,后续所有的探究活动均建立于此文件上。笔者目前的操作系统环境为 Manjaro 21.1.0 on amd64,终端环境为 GNU bash 5.1.8(1)-release 。为了方便,我们先把文件改个名字 (那你还把原来的名字给出来干嘛?!) :

[littleye233@lymjrolt Downloads]$ cd ~
[littleye233@lymjrolt ~]$ cd Downloads
[littleye233@lymjrolt Downloads]$ mv 咖啡馆推理事件簿系列(全四本).epub test.epub
[littleye233@lymjrolt Downloads]$ ll test.epub
-rw-r--r-- 1 littleye233 littleye233 1253964 Aug 22 23:24 test.epub

Round I. 文件类型

首先我们先尝试用 Linux 系统的内置命令 file 试试水,看看会输出什么东西。键入 file test.epub后执行:

[littleye233@lymjrolt Downloads]$ file test.epub
test.epub: EPUB document EPUB document

哎呀,真可惜! file 命令几乎什么有效信息都没给我们。 file 命令的 man 页面明确给出此命令可以判断文件格式,但其实它能做到的有很多,例如如果对一个图片文件使用 file ,可能会出现类似下面的结果:

[littleye233@lymjrolt Downloads]$ file ~/.local/share/osu/screenshots/osu_2021-08-21_23-40-03.png
/home/littleye233/.local/share/osu/screenshots/osu_2021-08-21_23-40-03.png: PNG image data, 1920 x 961, 8-bit/color RGBA, non-interlaced

这样我们可以通过 file 中提供的相关信息顺藤摸瓜,尝试在文件的二进制编码内容中寻找其蛛丝马迹,进而推测对应“位点”所表达的含义 (因为一些文件格式要求在特定的位置表达某些含义) ,如果能提供类似注释的信息就再好不过了。

Round II. 文件结构

现在我们回到这个 ePub 文件上来。现在我们尝试能否直接获取其内容,目的是通过文件头部的部分可见字符猜测其文件结构。输入 nano test.epub 直接预览,或使用 head --bytes=120 test.epub 查看前面 120 个字节的内容:

[littleye233@lymjrolt Downloads]$ head --bytes=120 test.epub
PK!oa�mimetypeapplication/epub+zipPU�N�;�ʯ�META-INF/container.xml]�A
�0E�=

果不其然,我们看到了一些有趣的字眼: “mimetypeapplication/epub+zip” ,凭经验猜测,这应该是 ePub 文件格式的文件头,而其中的 “zip” 也说明—— ePub 文件可能本质上就是一个压缩档。

其实很多文件格式 (例如 Word 文档 “*.docx”) 其本质都是在一个压缩档中加入各种资源文件和配置文件,只要有对应的软件进行读取并重新加工,用户即能看到效果。

Round III. 目录树结构

现在我们可以使用解压缩程序解出 ePub 文件中的内容了。在终端中执行 unzip -l test.epub

[littleye233@lymjrolt Downloads]$ unzip -l test.epub
Archive:  test.epub
  Length      Date    Time    Name
---------  ---------- -----   ----
       20  1980-01-01 00:00   mimetype
      251  2019-06-27 10:40   META-INF/container.xml
    12307  2019-06-27 10:40   OEBPS/content.opf
   112368  2019-06-27 10:40   OEBPS/Images/cover00464.jpeg
   128680  2019-06-27 10:40   OEBPS/Images/image00456.jpeg
   120936  2019-06-27 10:40   OEBPS/Images/image00457.jpeg
     1392  2019-06-27 10:40   OEBPS/Images/image00458.jpeg
   101948  2019-06-27 10:40   OEBPS/Images/image00459.jpeg
   119124  2019-06-27 10:40   OEBPS/Images/image00460.jpeg
     1268  2019-06-27 10:40   OEBPS/Images/image00461.jpeg
    42944  2019-06-27 10:40   OEBPS/Images/image00462.jpeg
   121284  2019-06-27 10:40   OEBPS/Images/image00463.jpeg
     2251  2019-06-27 10:40   OEBPS/Styles/style0001.css
     9816  2019-06-27 10:40   OEBPS/Styles/style0002.css
     2251  2019-06-27 10:40   OEBPS/Styles/style0003.css
     9789  2019-06-27 10:40   OEBPS/Styles/style0004.css
     2251  2019-06-27 10:40   OEBPS/Styles/style0005.css
    29245  2019-06-27 10:40   OEBPS/Styles/style0006.css
     2235  2019-06-27 10:40   OEBPS/Styles/style0007.css
    29914  2019-06-27 10:40   OEBPS/Styles/style0008.css
     2251  2019-06-27 10:40   OEBPS/Styles/style0009.css
      624  2019-06-27 10:40   OEBPS/Text/cover_page.xhtml
      851  2019-06-27 10:40   OEBPS/Text/part0000.xhtml
      561  2019-06-27 10:40   OEBPS/Text/part0001.xhtml
      428  2019-06-27 10:40   OEBPS/Text/part0002.xhtml
     1518  2019-06-27 10:40   OEBPS/Text/part0003.xhtml
      661  2019-06-27 10:40   OEBPS/Text/part0004.xhtml
     2311  2019-06-27 10:40   OEBPS/Text/part0005.xhtml
    55157  2019-06-27 10:40   OEBPS/Text/part0006.xhtml
    58266  2019-06-27 10:40   OEBPS/Text/part0007.xhtml
    59953  2019-06-27 10:40   OEBPS/Text/part0008.xhtml
    49789  2019-06-27 10:40   OEBPS/Text/part0009.xhtml
    66870  2019-06-27 10:40   OEBPS/Text/part0010.xhtml
    57342  2019-06-27 10:40   OEBPS/Text/part0011.xhtml
    67449  2019-06-27 10:40   OEBPS/Text/part0012.xhtml
    16183  2019-06-27 10:40   OEBPS/Text/part0013.xhtml
      561  2019-06-27 10:40   OEBPS/Text/part0014.xhtml
      428  2019-06-27 10:40   OEBPS/Text/part0015.xhtml
     1575  2019-06-27 10:40   OEBPS/Text/part0016.xhtml
      496  2019-06-27 10:40   OEBPS/Text/part0017.xhtml
     1446  2019-06-27 10:40   OEBPS/Text/part0018.xhtml
    52358  2019-06-27 10:40   OEBPS/Text/part0019.xhtml
    75746  2019-06-27 10:40   OEBPS/Text/part0020.xhtml
    63420  2019-06-27 10:40   OEBPS/Text/part0021.xhtml
    57399  2019-06-27 10:40   OEBPS/Text/part0022.xhtml
    58590  2019-06-27 10:40   OEBPS/Text/part0023.xhtml
    40263  2019-06-27 10:40   OEBPS/Text/part0024.xhtml
    66099  2019-06-27 10:40   OEBPS/Text/part0025.xhtml
    15143  2019-06-27 10:40   OEBPS/Text/part0026.xhtml
      561  2019-06-27 10:40   OEBPS/Text/part0027.xhtml
      612  2019-06-27 10:40   OEBPS/Text/part0028.xhtml
     1344  2019-06-27 10:40   OEBPS/Text/part0029.xhtml
      640  2019-06-27 10:40   OEBPS/Text/part0030.xhtml
     6144  2019-06-27 10:40   OEBPS/Text/part0031.xhtml
    25197  2019-06-27 10:40   OEBPS/Text/part0032.xhtml
    54594  2019-06-27 10:40   OEBPS/Text/part0033.xhtml
    87394  2019-06-27 10:40   OEBPS/Text/part0034.xhtml
    97557  2019-06-27 10:40   OEBPS/Text/part0035.xhtml
   109901  2019-06-27 10:40   OEBPS/Text/part0036.xhtml
    17181  2019-06-27 10:40   OEBPS/Text/part0037.xhtml
     5238  2019-06-27 10:40   OEBPS/Text/part0038.xhtml
      561  2019-06-27 10:40   OEBPS/Text/part0039.xhtml
      644  2019-06-27 10:40   OEBPS/Text/part0040.xhtml
     1163  2019-06-27 10:40   OEBPS/Text/part0041.xhtml
     1473  2019-06-27 10:40   OEBPS/Text/part0042.xhtml
    38427  2019-06-27 10:40   OEBPS/Text/part0043.xhtml
    90589  2019-06-27 10:40   OEBPS/Text/part0044.xhtml
    51278  2019-06-27 10:40   OEBPS/Text/part0045.xhtml
    58321  2019-06-27 10:40   OEBPS/Text/part0046.xhtml
    29670  2019-06-27 10:40   OEBPS/Text/part0047.xhtml
    12903  2019-06-27 10:40   OEBPS/Text/part0048.xhtml
     7364  2019-06-27 10:40   OEBPS/toc.ncx
---------                     -------
  2422768                     72 files

同时可以直接解压:

[littleye233@lymjrolt Downloads]$ unzip test.epub -d test_epub
Archive:  test.epub
 extracting: test_epub/mimetype
  inflating: test_epub/META-INF/container.xml
  inflating: test_epub/OEBPS/content.opf
  inflating: test_epub/OEBPS/Images/cover00464.jpeg
  inflating: test_epub/OEBPS/Images/image00456.jpeg
  inflating: test_epub/OEBPS/Images/image00457.jpeg
  inflating: test_epub/OEBPS/Images/image00458.jpeg
  inflating: test_epub/OEBPS/Images/image00459.jpeg
  inflating: test_epub/OEBPS/Images/image00460.jpeg
  inflating: test_epub/OEBPS/Images/image00461.jpeg
  inflating: test_epub/OEBPS/Images/image00462.jpeg
  inflating: test_epub/OEBPS/Images/image00463.jpeg
  inflating: test_epub/OEBPS/Styles/style0001.css
  inflating: test_epub/OEBPS/Styles/style0002.css
  inflating: test_epub/OEBPS/Styles/style0003.css
  inflating: test_epub/OEBPS/Styles/style0004.css
  inflating: test_epub/OEBPS/Styles/style0005.css
  inflating: test_epub/OEBPS/Styles/style0006.css
  inflating: test_epub/OEBPS/Styles/style0007.css
  inflating: test_epub/OEBPS/Styles/style0008.css
  inflating: test_epub/OEBPS/Styles/style0009.css
  inflating: test_epub/OEBPS/Text/cover_page.xhtml
  inflating: test_epub/OEBPS/Text/part0000.xhtml
  inflating: test_epub/OEBPS/Text/part0001.xhtml
  inflating: test_epub/OEBPS/Text/part0002.xhtml
  inflating: test_epub/OEBPS/Text/part0003.xhtml
  inflating: test_epub/OEBPS/Text/part0004.xhtml
  inflating: test_epub/OEBPS/Text/part0005.xhtml
  inflating: test_epub/OEBPS/Text/part0006.xhtml
  inflating: test_epub/OEBPS/Text/part0007.xhtml
  inflating: test_epub/OEBPS/Text/part0008.xhtml
  inflating: test_epub/OEBPS/Text/part0009.xhtml
  inflating: test_epub/OEBPS/Text/part0010.xhtml
  inflating: test_epub/OEBPS/Text/part0011.xhtml
  inflating: test_epub/OEBPS/Text/part0012.xhtml
  inflating: test_epub/OEBPS/Text/part0013.xhtml
  inflating: test_epub/OEBPS/Text/part0014.xhtml
  inflating: test_epub/OEBPS/Text/part0015.xhtml
  inflating: test_epub/OEBPS/Text/part0016.xhtml
  inflating: test_epub/OEBPS/Text/part0017.xhtml
  inflating: test_epub/OEBPS/Text/part0018.xhtml
  inflating: test_epub/OEBPS/Text/part0019.xhtml
  inflating: test_epub/OEBPS/Text/part0020.xhtml
  inflating: test_epub/OEBPS/Text/part0021.xhtml
  inflating: test_epub/OEBPS/Text/part0022.xhtml
  inflating: test_epub/OEBPS/Text/part0023.xhtml
  inflating: test_epub/OEBPS/Text/part0024.xhtml
  inflating: test_epub/OEBPS/Text/part0025.xhtml
  inflating: test_epub/OEBPS/Text/part0026.xhtml
  inflating: test_epub/OEBPS/Text/part0027.xhtml
  inflating: test_epub/OEBPS/Text/part0028.xhtml
  inflating: test_epub/OEBPS/Text/part0029.xhtml
  inflating: test_epub/OEBPS/Text/part0030.xhtml
  inflating: test_epub/OEBPS/Text/part0031.xhtml
  inflating: test_epub/OEBPS/Text/part0032.xhtml
  inflating: test_epub/OEBPS/Text/part0033.xhtml
  inflating: test_epub/OEBPS/Text/part0034.xhtml
  inflating: test_epub/OEBPS/Text/part0035.xhtml
  inflating: test_epub/OEBPS/Text/part0036.xhtml
  inflating: test_epub/OEBPS/Text/part0037.xhtml
  inflating: test_epub/OEBPS/Text/part0038.xhtml
  inflating: test_epub/OEBPS/Text/part0039.xhtml
  inflating: test_epub/OEBPS/Text/part0040.xhtml
  inflating: test_epub/OEBPS/Text/part0041.xhtml
  inflating: test_epub/OEBPS/Text/part0042.xhtml
  inflating: test_epub/OEBPS/Text/part0043.xhtml
  inflating: test_epub/OEBPS/Text/part0044.xhtml
  inflating: test_epub/OEBPS/Text/part0045.xhtml
  inflating: test_epub/OEBPS/Text/part0046.xhtml
  inflating: test_epub/OEBPS/Text/part0047.xhtml
  inflating: test_epub/OEBPS/Text/part0048.xhtml
  inflating: test_epub/OEBPS/toc.ncx

为了更清楚地显示文件树结构,我们也可以使用 tree 命令 (这个命令在 Windows 中是内置的,在 Linux 中需要安装 tree 这个包,使用软件包管理器或编译安装均可) :

[littleye233@lymjrolt test_epub]$ tree
.
├── META-INF
│   └── container.xml
├── mimetype
└── OEBPS
    ├── content.opf
    ├── Images
    │   ├── cover00464.jpeg
    │   ├── image00456.jpeg
    │   ├── image00457.jpeg
    │   ├── image00458.jpeg
    │   ├── image00459.jpeg
    │   ├── image00460.jpeg
    │   ├── image00461.jpeg
    │   ├── image00462.jpeg
    │   └── image00463.jpeg
    ├── Styles
    │   ├── style0001.css
    │   ├── style0002.css
    │   ├── style0003.css
    │   ├── style0004.css
    │   ├── style0005.css
    │   ├── style0006.css
    │   ├── style0007.css
    │   ├── style0008.css
    │   └── style0009.css
    ├── Text
    │   ├── cover_page.xhtml
    │   ├── part0000.xhtml
    │   ├── part0001.xhtml
    │   ├── part0002.xhtml
    │   ├── part0003.xhtml
    │   ├── part0004.xhtml
    │   ├── part0005.xhtml
    │   ├── part0006.xhtml
    │   ├── part0007.xhtml
    │   ├── part0008.xhtml
    │   ├── part0009.xhtml
    │   ├── part0010.xhtml
    │   ├── part0011.xhtml
    │   ├── part0012.xhtml
    │   ├── part0013.xhtml
    │   ├── part0014.xhtml
    │   ├── part0015.xhtml
    │   ├── part0016.xhtml
    │   ├── part0017.xhtml
    │   ├── part0018.xhtml
    │   ├── part0019.xhtml
    │   ├── part0020.xhtml
    │   ├── part0021.xhtml
    │   ├── part0022.xhtml
    │   ├── part0023.xhtml
    │   ├── part0024.xhtml
    │   ├── part0025.xhtml
    │   ├── part0026.xhtml
    │   ├── part0027.xhtml
    │   ├── part0028.xhtml
    │   ├── part0029.xhtml
    │   ├── part0030.xhtml
    │   ├── part0031.xhtml
    │   ├── part0032.xhtml
    │   ├── part0033.xhtml
    │   ├── part0034.xhtml
    │   ├── part0035.xhtml
    │   ├── part0036.xhtml
    │   ├── part0037.xhtml
    │   ├── part0038.xhtml
    │   ├── part0039.xhtml
    │   ├── part0040.xhtml
    │   ├── part0041.xhtml
    │   ├── part0042.xhtml
    │   ├── part0043.xhtml
    │   ├── part0044.xhtml
    │   ├── part0045.xhtml
    │   ├── part0046.xhtml
    │   ├── part0047.xhtml
    │   └── part0048.xhtml
    └── toc.ncx

5 directories, 72 files

Round IV. 内部文件

到这里我们大概就能猜出来:

  • META-INF 文件夹:里面存放的应该是“容器” (也就是这个 ePub 文件) 的相关配置文件;
  • mimetype 文件:里面定义了这个文件的类型为 “ePub” (其中 “MIME” 是 “Multipurpose Internet Mail Extensions” 的缩写,从字面上也能看出其具有指示 “Extension” 的机能) ;
  • OEBPS 文件夹:虽暂不知其确切含义,但应存放 ePub 的文字、图片以及其他的界面数据;
    • content.opf 文件:里面存放的应该是目录信息——或是定义各种文件的“次序”;
    • Images StylesText 文件夹:明显分别存放图片、层叠样式表和文字数据;
    • toc.ncx 文件:可能是真正的目录 (“toc” 是 “table of contents” 的缩写)。

接下来我们将挨个分析。

Round IV.I. 容器

先看 META-INF/container.xml

[littleye233@lymjrolt test_epub]$ file META-INF/container.xml
META-INF/container.xml: XML 1.0 document, ASCII text

输出其内容:

<?xml version="1.0" encoding="UTF-8"?>
<container version="1.0" xmlns="urn:oasis:names:tc:opendocument:xmlns:container">
    <rootfiles>
<rootfile full-path="OEBPS/content.opf" media-type="application/oebps-package+xml"/>    </rootfiles>
</container>

显然是一个标准的 XML 文件,其中我们可以注意到 /container/rootfiles/rootfile[@class='full-path'][1] 中定义了一个我们之前认定的目录文件,但此处可以规范化,故这个文件在大多数 ePub 档中应该是相同的。

Round IV.II. 文件类型定性

接下来看 mimetype 文件:

[littleye233@lymjrolt test_epub]$ cat mimetype
application/epub+zip

这也是相当显然的,也不再赘述。

Round IV.III. 目录?

再看 OEBPS/content.opf

[littleye233@lymjrolt test_epub]$ file OEBPS/content.opf
OEBPS/content.opf: XML 1.0 document, Unicode text, UTF-8 text, with very long lines (504)

这也是一个 XML 文件,令人惊讶的是 file 命令竟能看出这个文件中最长的行有 504 个字符,属实让人害怕。

说明我之前并没有猜错,这个文件存放的是超越“目录”的东西,而是“次序”——更进一步说。是“索引”。这个文件类似于其他文件格式或目录树中的 index.* ,将 ePub 中的各种数据编上号码,同时这里也定义了标题、语言、作者、出版 (发布) 日期等元信息。至于之前看到的超长行,似乎是一种十六进制的水印 (watermark) ,或许是为了防侵权等。

其中的 /package/manifest/item 定义了所有的索引,以及文件对应的类型; /package/spine/itemref 暂不知进一步的作用,但从中可看出能定义是否“线性” (linear) ; /package/guide/reference 定义了 ePub 的封面等索引,可供文件管理器和 ePub 阅读器使用 (显示预览页) 。

Round IV.IV. 目录!

再看 OEBPS/toc.ncx

[littleye233@lymjrolt test_epub]$ file OEBPS/toc.ncx
OEBPS/toc.ncx: XML 1.0 document, Unicode text, UTF-8 text

感觉再讨论文件类型已经无关紧要了。再次查看内容:

我们不妨将目光转向较为重要的“目录”的定义上。为了方便观察,笔者偷点懒,使用桌面环境中自带的阅读器观察:

【文件格式探究】EP.1 对ePub文件格式的初探-LMLPHP

从中可以看出目录是二层结构,恰好和 OEBPS/toc.ncx 中的定义保持一致。而其中的部分重要属性均可“望文生义”,此处不再进一步研究。

Round IV.V. 其余部分

最后剩下的是图片、文字和层叠样式表。虽然这部分是在整个 ePub 文件中占比最大也可以说是最重要的部分,但由于这一块的内容实在是太过直白,再讲下去恐怕要开始补习 HTML 和 CSS 知识了,故同样略去。

总结

根据上文中的简要探究, ePub 是一种以 XML 文件格式为配置文件类型的、包含有图片及文字等数据的、以压缩档为本质的文件格式。查阅相关资料后可知其实质与上文中分析类似。

而通过上文的分析,我们初步体验到分析一种陌生文件格式的规律和技巧,可以用于后续对更复杂的文件格式的探究。






但最后,别忘了把那个 ePub 文件的名字改回来 XD :

[littleye233@lymjrolt Downloads]$ mv test.epub 咖啡馆推理事件簿系列(全四本).epub

【完】

脚注

  1. 此处为 XPath 语法,用于描述类 XML 文件各种元素的位置,后文类似者不再注明。 ↩︎

08-24 10:38