EPUB na Markdown: książka, która zachowuje swoje rozdziały
Zmień rozszerzenie .epub na .zip i rozpakuj. Znajdziesz katalog plików
XHTML, arkusz stylów albo dwa, trochę obrazków i manifest o nazwie content.opf, który
wymienia każdy element i deklaruje kolejność czytania. To cały format. EPUB nie jest tajemniczym
binarnym blobem — to mała strona internetowa w torbie, z wpiętym spisem treści.
A to czyni go wyjątkowo dobrym surowcem. Gdy konwertujesz EPUB na Markdown, nie zgadujesz struktury tak, jak musisz przy PDF-ie. Nagłówki już były nagłówkami. Rozdział pierwszy już był osobnym dokumentem. Kolejność czytania była zadeklarowana, nie wywnioskowana. Upuść plik w konwerterze powyżej, a dostaniesz wersję Markdown książki z nienaruszoną hierarchią — za darmo, bez rejestracji, limit 50 MB, nic nie zostaje po naszej stronie.
Dlaczego struktura przeżywa tak dobrze
Trzy rzeczy wewnątrz kontenera odwalają ciężką robotę i warto wiedzieć, co wnosi każda z nich:
- Pliki treści XHTML. Prawdziwe znaczniki semantyczne —
<h1>,<h2>,<blockquote>,<ol>. Odwzorowują się na Markdown niemal jeden do jednego. Nagłówek rozdziału staje się#, sekcja staje się##, wyimek staje się>, kursywa tytułu książki zostaje kursywą. - Spine. Plik OPF wymienia dokumenty w kolejności czytania, więc rozdziały
wychodzą poprawnie posortowane, nawet gdy wewnętrzne nazwy plików to bezsensowne twory typu
part0009.xhtml. - Dokument nawigacyjny. Własny spis treści książki. To dzięki niemu tytuły rozdziałów przeżywają jako tytuły, zamiast przyjeżdżać jako anonimowa linia pogrubionego tekstu.
Praktyczny efekt: Markdown, który dostajesz, da się nawigować. Możesz przewinąć do rozdziału 12,
wyciąć go i wkleić do modelu tylko jego. Spróbuj tego samego na czterystustronicowym płaskim zrzucie
tekstu, a zostaje ci grep i dużo nadziei.
Miejsca, którym warto się przyjrzeć drugi raz
Nic z tego nie przekreśla sprawy, ale przejrzenie wyniku pod tym kątem zajmuje minutę i oszczędza późniejszej konsternacji.
- Materiały wstępne i końcowe jadą na gapę. Strona z copyrightem, dedykacja, „tego samego autora", podziękowania, kikuty indeksu. W trybie nauki to kilka tysięcy tokenów niczego. Skasuj je przed wklejeniem.
- Przypisy dolne i końcowe zmieniają miejsce. W źródle są linkami do pliku z przypisami na końcu książki. W płynącym Markdownie albo zbijają się na końcu rozdziału, albo pojawiają się jako gołe numery tam, gdzie był odsyłacz. Dla beletrystyki bez znaczenia. Dla monografii naukowej, w której połowa wywodu żyje w przypisach — sprawdź, gdzie wylądowały, zanim cokolwiek na tym zbudujesz.
- Obrazy nie stają się tekstem. Okładka, diagramy i mapy to pliki w archiwum, nie słowa. Nie ma tu OCR-u, więc etykiety diagramu się nie pojawią. Jeśli wyjaśnienie niesie rysunek, będziesz potrzebować oryginału obok.
- Poziomy nagłówków bywają niespójne. Jedni wydawcy oznaczają każdy rozdział jako
<h1>, inni używają<h1>dla części i<h2>dla rozdziałów, a nieliczni używają ostylowanych tagów<p>i żadnych prawdziwych nagłówków. Ten ostatni przypadek jest rzadki, ale to on produkuje płasko wyglądającą konwersję książki, która ewidentnie ma rozdziały. - Inicjały i otwarcia kapitalikami. Rozdział zaczynający się dużym ozdobnym „I" może wypłynąć jako zabłąkany znak w osobnej linii. Kosmetyka, łatwa do wyłapania.
DRM zatrzymuje to w miejscu — przeczytaj przed wgraniem
Większość EPUB-ów kupionych w komercyjnym sklepie ma zabezpieczenie DRM. Pliki treści w kontenerze
są zaszyfrowane, a obok manifestu leży encryption.xml, który to oznajmia. Żaden
konwerter ich nie przeczyta i ten też tego nie zrobi. Jeśli wgrasz książkę z DRM, dostaniesz błąd
albo pusty wynik — i przyczyną jest plik, nie narzędzie.
EPUB-ów wolnych od DRM jest jednak mnóstwo. Project Gutenberg, Standard Ebooks, większość wydawców technicznych, wydawnictwa uniwersyteckie, wydania na licencjach Creative Commons, wszystko, co wyeksportujesz z narzędzia do pisania, i spora część niezależnych sklepów, które z zasady sprzedają pliki bez zabezpieczeń. Te konwertują się bez marudzenia.
W oczywistej kwestii: konwertowanie posiadanej książki, żeby się z niej uczyć, to zwykły użytek osobisty; ponowne publikowanie czyjegoś chronionego tekstu to zupełnie inna sprawa. Tyle całej porady.
Cała książka się nie zmieści — pracuj rozdział po rozdziale
Pełnowymiarowa powieść to około 100 000 słów, a gęsty tytuł non-fiction potrafi mieć dwa razy tyle. Po przeliczeniu na tokeny to wyraźnie więcej, niż większość modeli weźmie za jednym razem, a nawet te z długim kontekstem robią się zauważalnie mglistsze w miarę zapełniania. Uwaga się rozrzedza. Szczegóły ze środka są pomijane.
To dokładnie tu Markdown zarabia na swoją przewagę nad płaskim tekstem. Ponieważ nagłówki rozdziałów przeżywają, możesz czysto pociąć plik i pracować po jednym rozdziale:
- Streść każdy rozdział osobno, potem podaj streszczenia z powrotem jako jeden krótki dokument i zapytaj o myśl przewodnią całej książki.
- Zbuduj przewodnik do nauki per rozdział — kluczowe tezy, pojęcia, pytania — i zszyj je w jedną ściągę.
- Zadawaj celowane pytania do pojedynczego rozdziału, żeby odpowiedź modelu pochodziła z 6000 słów, a nie rozcieńczała się po 150 000.
- Najpierw zamień drzewo nagłówków w konspekt. To szybki sposób, żeby zdecydować, które trzy rozdziały naprawdę mają znaczenie dla tego, co robisz.
Użytecznym sygnałem jest tu licznik tokenów pod wynikiem. Mówi ci przed wklejeniem, czy patrzysz na robotę wielkości rozdziału, czy całej książki.
EPUB kontra PDF tej samej książki
Jeśli masz oba, bierz EPUB. Za każdym razem. Te dwa formaty rozwiązują przeciwne problemy i widać to w wyniku.
PDF ma stały układ — glify przypięte do współrzędnych na stronie, która nigdy nie zmienia rozmiaru. Ekstrakcja oznacza rekonstruowanie zdań z pozycji, wnioskowanie nagłówków z rozmiarów fontów i zgadywanie, czy dwie kolumny powinny się przeplatać. Żywa pagina i numery stron lądują w środku akapitów. PDF na Markdown radzi sobie z tym wszystkim dobrze, ale to praca rekonstrukcyjna.
EPUB jest płynny. Nie ma stron, więc nie ma śmieci strony do zdejmowania ani geometrii kolumn do rozplątywania. Struktura jest zapisana wprost, a nie domyślna. Jedyne, co PDF trzyma lepiej, to precyzyjny układ typograficzny — złożone tabele, ramki ustawione co do milimetra, wszystko, gdzie rozmieszczenie na stronie jest częścią znaczenia. Dla prozy EPUB wygrywa spokojnie.
Do czego ludzie tego używają
- Nauka z książki technicznej. Przekonwertuj tytuł w stylu O'Reilly, zostaw rozdział, który przerabiasz, i zestaw go ze swoim repozytorium GitHub jako tekstem, żeby asystent widział teorię i twój faktyczny kod razem.
- Budowanie osobistej bazy wiedzy. Hierarchia nagłówków sprawia, że
przekonwertowane książki dają się przeszukiwać w Obsidianie, wiki albo zwykłym katalogu plików
.md— przeszukiwać tak, jak biblioteka w czytniku nie pozwala. - Przerabianie listy lektur z kursu. Streszczenia na poziomie rozdziałów i generowane pytania ćwiczeniowe, z możliwością prześledzenia do sekcji, z której pochodzą.
- Praca nad maszynopisem. Autorzy i redaktorzy eksportują EPUB ze Scrivenera albo Vellum, konwertują go i dostają diffowalną, wersjonowalną kopię szkicu.
Jeśli zamiast tego chcesz całą książkę jako jeden nieprzerwany strumień prozy — pod embeddingi, ocenę czytelności albo indeksowanie całej półki tytułów naraz — lepiej pasuje EPUB na tekst. Przełącznik formatu u góry tej strony przełącza między nimi i zachowuje plik, który już wybrałeś, więc porównanie obu wyników kosztuje jedno kliknięcie, a nie drugi upload.
Najczęściej zadawane pytania
Jak przekonwertować EPUB na Markdown?
Wgraj .epub powyżej, a książka wraca jako Markdown z nienaruszoną strukturą nagłówków, do pobrania jako .md. Za darmo, 50 MB na plik, bez rejestracji. EPUB to pod spodem XHTML, więc to konwersja zachowująca strukturę, a nie stratna ekstrakcja — konwertuje się lepiej niż niemal jakikolwiek inny format tutaj.
Czemu EPUB konwertuje się na Markdown tak czysto?
Bo źródło to już znaczniki semantyczne. EPUB to zip plików XHTML, w których tytuł rozdziału jest naprawdę <h1>, a wyróżnienie naprawdę <em> — struktura jest zapisana, a nie domyślana z wyglądu. Odwzorowanie tego na Markdown to prawie bezpośrednie tłumaczenie i dlatego nagłówki, listy, cytaty blokowe i kursywa przeżywają w komplecie.
Czy nagłówki rozdziałów stają się nagłówkami Markdown?
Tak, na poziomie, który zadeklarowała książka, więc tytuł z częściami i rozdziałami produkuje zagnieżdżony konspekt, a nie płaski. To sprawia, że wynik da się realnie nawigować — możesz go zwijać w edytorze, linkować do sekcji albo zapytać model o konkretny rozdział i pozwolić mu znaleźć właściwe miejsce.
Czy książki z DRM są obsługiwane?
Nie. Zaszyfrowane pliki z Kindle albo Apple Books nie mają czytelnej treści, dopóki nie odszyfruje ich aplikacja czytnika, do której należą, więc konwersja nie zwraca nic. EPUB-y wolne od DRM — Gutenberg, Standard Ebooks, większość wydawców technicznych, twoje własne maszynopisy — działają bez żadnego specjalnego traktowania.
Czy to się przydaje do budowania korpusu RAG z książek?
Z tych dwóch formatów to lepszy punkt startu. Struktura nagłówków daje naturalne granice kawałków, więc możesz dzielić po rozdziałach albo sekcjach, a nie po arbitralnej liczbie znaków, która tnie w środku wywodu. Jeśli twój chunker woli gołą prozę, EPUB na tekst pomija składnię.
Reszta zestawu narzędzi
EPUB to jeden z trzynastu obsługiwanych tu formatów. File2Txt bierze dowolny z nich z jednego uploadu, jeśli wolisz nie wybierać strony. Do maszynopisów i raportów jest Word na Markdown, do starszych dokumentów rich-text RTF na Markdown, a do zapisanych stron HTML na Markdown. Półka książek spakowanych razem idzie przez ZIP na Markdown za jednym przejściem.
Pracujesz z kodem albo żywym webem? Przekonwertuj projekt GitLab albo katalog na swojej maszynie, albo wyceluj Web2Txt w adres URL. Przewodnik po przygotowywaniu dokumentów dla LLM-ów omawia ogólny kształt tego wszystkiego.
Repo2Txt tworzy i utrzymuje v12hero, niezależny deweloper budujący natywne i webowe aplikacje stawiające prywatność na pierwszym miejscu.