结构调整

2026-07-14 16:36:24 +08:00
parent 585e9d8e15
commit 57f354cf9f
254 changed files with 84114 additions and 44 deletions
@@ -0,0 +1,448 @@
+---
+name: "calibre-cleaner"
+description: "清洗 Calibre 书库：修复损坏书名/提取作者/检测编码损坏、小文件的批量删除"
+---
+
+# Calibre 书库清洗 Skill
+
+## 概述
+
+Calibre 书库整理三件套：
+
+1. **书名清洗** —— 修复从 txt 导入产生的 HTML 标签/长文本/乱码书名，截取前 20 个中文字符，移除网站链接
+2. **作者提取** —— 从书名或原始文件名 `data.name` 中自动提取作者名（匹配 `作者：xxx`、`-xxx`、`BY xxx` 等格式）
+3. **脏数据清理** —— 检测并删除内容损坏的 txt（中文 < 10%）、小于 10KB 的垃圾文件、Python 列表格式垃圾标题
+
+## 前置条件
+
+- 书库路径：`/home/yangxuan/calibre/books`
+- 元数据文件：`/home/yangxuan/calibre/books/metadata.db`
+- 运行前须停止其他 Calibre 进程（桌面版、Docker Calibre-Web）
+- 运行前 **必须备份** `metadata.db`
+
+---
+
+## 一、书名清洗 & 作者提取
+
+### `shorten(s, max_bytes=120)`
+
+将字符串截断到指定字节数，避免因 UTF-8 中文字符跨字节而损坏。
+
+```python
+def shorten(s, max_bytes=120):
+    encoded = s.encode('utf-8')
+    if len(encoded) <= max_bytes:
+        return s
+    try:
+        return encoded[:max_bytes].decode('utf-8')
+    except:
+        return encoded[:max_bytes-3].decode('utf-8', errors='ignore')
+```
+
+### `clean_title(title)`
+
+```python
+def clean_title(title):
+    t = title
+    # 移除 HTML 标签
+    t = re.sub(r'<[^>]+>', '', t)
+    # 替换 _BR_ / _BR 标记
+    t = re.sub(r'_BR_', ' ', t, flags=re.IGNORECASE)
+    t = re.sub(r'_BR(?![a-zA-Z])', ' ', t)
+    # 移除 _fontxxx_ / _imgxxx_ 标记
+    t = re.sub(r'_font[^_]*_', '', t)
+    t = re.sub(r'_img[^_]*_', '', t)
+    # 移除网站链接
+    t = re.sub(r'[\(（]www\.[^)）]+[\)）]', '', t)
+    t = re.sub(r'^[a-zA-Z0-9.-]+\.com@', '', t)
+    t = re.sub(r'[-–—][a-zA-Z0-9.-]+\.com$', '', t)
+    t = re.sub(r'【[^】]*?(?:下载|网站|书城|声明|提供)[^】]*】', '', t)
+    t = re.sub(r'[：:].*?(?:本文由|本电子书).*$', '', t)
+    t = re.sub(r'[/／]\s*www\.[^\s]+.*$', '', t)
+    t = re.sub(r'[，,。]?https?://[^\s\)）\]]+', '', t)
+    # 移除声明文字当书名
+    t = re.sub(r'^内容简介[】】]?', '', t)
+    # 移除作者/翻译标记（批量清洗时用）
+    t = re.sub(r'[　\s]*?(?:作者|翻译|原?作者)[：:].*$', '', t, flags=re.DOTALL)
+    # 移除 Unknown/未知 尾巴
+    t = re.sub(r'\s*-\s*(Unknown|未知)\s*$', '', t)
+    # 合并多余空格
+    t = re.sub(r'\s+', ' ', t).strip()
+    # 截取前 20 个中文字符（保留非中文直到第 20 个中文出现）
+    chinese_count = 0
+    pos = 0
+    for i, c in enumerate(t):
+        if '\u4e00' <= c <= '\u9fff':
+            chinese_count += 1
+            if chinese_count == 20:
+                pos = i + 1
+                break
+    if chinese_count > 20:
+        t = t[:pos]
+    # 超长截短
+    if len(t) > 100:
+        m = re.search(r'[\u4e00-\u9fff]{2,}', t)
+        if m:
+            t = t[m.start():]
+        t = t[:60].rstrip('，。；：、！？…\ufffd\'"').rstrip('.,;:!?\'').strip()
+    # 移除控制字符
+    t = re.sub(r'[\x00-\x08\x0b\x0c\x0e-\x1f]', '', t)
+    return shorten(t, 100).strip() or 'Unknown'
+```
+
+### 作者提取规则（从文件中同时匹配 title 和 data.name）
+
+优先从 `data.name`（原始文件名）提取，更准确：
+
+```python
+EXCLUDE_AUTHORS = {'正文', '内容简介', ''}
+
+def extract_author_from_name(file_name):
+    """从 data.name（原始文件名）提取作者"""
+    name = file_name
+    # 去掉尾巴
+    name = re.sub(r'\s*-\s*(Unknown|未知)\s*$', '', name)
+    # 匹配作者：xxx
+    m = re.search(r'作者[：:]\s*([^\s_）\)《\[【\]】\-,]+)', name)
+    if m:
+        candidate = m.group(1).strip()
+        if candidate not in EXCLUDE_AUTHORS and len(candidate) < 30:
+            return candidate
+    # 匹配翻译：xxx
+    m = re.search(r'翻译[：:]\s*([^\s_）\)《\[【\]】\-,]+)', name)
+    if m:
+        candidate = m.group(1).strip()
+        if len(candidate) < 20:
+            return candidate
+    # 匹配原作者：xxx
+    m = re.search(r'原?作者[：:]\s*([^\s_）\)《\[【\]】\-,]+)', name)
+    if m:
+        candidate = m.group(1).strip()
+        if len(candidate) < 30:
+            return candidate
+    return None
+
+def extract_author_from_title(title):
+    """从 title 提取作者（降级方案，仅在 data.name 无用时）"""
+    m = re.search(r'作者[：:]\s*([^\s,，、\)）《\[]+)', title)
+    if m:
+        name = m.group(1).strip()
+        if name not in EXCLUDE_AUTHORS and not re.match(r'^第\d+[章节]', name):
+            return name
+    m = re.search(r'翻译[：:]\s*([^\s,，、\)）《\[]+)', title)
+    if m:
+        return m.group(1).strip()
+    m = re.search(r'\b[Bb][Yy]\s+([^\s,，、\)）《\[]+)', title)
+    if m:
+        name = m.group(1).strip()
+        if name not in EXCLUDE_AUTHORS:
+            return name
+    m = re.search(r'-([^-()【】\[\]{}《》\s]{2,30})$', title)
+    if m:
+        name = m.group(1).strip()
+        if name not in EXCLUDE_AUTHORS and not re.match(r'^\d+', name):
+            return name
+    m = re.search(r'&([^&()【】\[\]\s]{2,30})$', title)
+    if m:
+        name = m.group(1).strip()
+        if name not in EXCLUDE_AUTHORS:
+            return name
+    return None
+```
+
+### 坏书检测条件
+
+```python
+is_bad = (
+    len(title) > 100 or
+    '<img' in title or '<BR' in title or '<font' in title or
+    '\ufffd' in title or
+    len(title.encode('utf-8')) > 150
+)
+```
+
+---
+
+## 二、脏数据清理
+
+### 2.1 检测条件
+
+扫描书库中所有 TXT 文件，读取前 20KB 检测中文比例：
+
+- **内容损坏/二进制垃圾**：中文比例 < 10%（标记为待删除）
+- **小文件垃圾**：`uncompressed_size < 10240`（10KB 以下）
+- **垃圾格式标题**：Python 列表格式（含 `'xxx', 'R-18'` 单引号列表）、转义字符（`\n`、`\u3000`、`id=`）、HTML 实体（`raquo;`、`laquo;`）
+
+```python
+def is_garbage_format_title(title):
+    """检测标题是否为垃圾格式"""
+    import re
+    if re.search(r"'.*',\s*'R-18'", title):
+        return True
+    if re.search(r'[\\]u[0-9a-fA-F]{4}', title):
+        return True
+    if re.search(r'id=|pid=', title):
+        return True
+    if 'raquo;' in title or 'laquo;' in title:
+        return True
+    if '【内容简介】' in title or '内容简介】' in title:
+        return True
+    return False
+
+def is_dirty_content(full_path):
+    """检测文件内容是否为垃圾"""
+    if not os.path.exists(full_path):
+        return True  # 文件丢失也算脏
+    with open(full_path, 'rb') as f:
+        raw = f.read(20480)
+    text = raw.decode('utf-8', errors='replace')
+    chinese = sum(1 for c in text if '\u4e00' <= c <= '\u9fff')
+    ratio = chinese / len(text) if len(text) > 0 else 0
+    return ratio < 0.10
+```
+
+### 2.2 批量删除（通过 SQLite 直写）
+
+停掉 calibre 进程后，通过 SQLite 删除记录并清理文件系统：
+
+```sql
+DELETE FROM data WHERE book = ?
+DELETE FROM books_authors_link WHERE book = ?
+DELETE FROM books_languages_link WHERE book = ?
+DELETE FROM books_publishers_link WHERE book = ?
+DELETE FROM books_series_link WHERE book = ?
+DELETE FROM books_tags_link WHERE book = ?
+DELETE FROM comments WHERE book = ?
+DELETE FROM identifiers WHERE book = ?
+DELETE FROM books WHERE id = ?
+```
+
+同时删除对应目录：`shutil.rmtree(os.path.join('/home/yangxuan/calibre/books', bpath))`
+
+### 2.3 完整删除脚本
+
+```python
+import sqlite3, os, shutil
+
+db_path = '/home/yangxuan/calibre/books/metadata.db'
+conn = sqlite3.connect(db_path)
+c = conn.cursor()
+
+c.execute('''
+    SELECT b.id, b.title, b.path, d.name, d.uncompressed_size
+    FROM books b 
+    JOIN data d ON d.book = b.id 
+    WHERE d.format = 'TXT'
+''')
+rows = c.fetchall()
+
+to_delete = []
+
+for bid, title, bpath, fname, size in rows:
+    full_path = os.path.join('/home/yangxuan/calibre/books', bpath, fname + '.txt')
+    
+    # 条件0：垃圾格式标题（Python列表、转义字符等）
+    if is_garbage_format_title(title):
+        to_delete.append((bid, bpath))
+        continue
+    
+    # 条件1：小文件垃圾
+    if size < 10240:
+        to_delete.append((bid, bpath))
+        continue
+    
+    if not os.path.exists(full_path):
+        continue
+    
+    # 条件2：内容损坏（中文 < 10%）
+    if is_dirty_content(full_path):
+        to_delete.append((bid, bpath))
+
+print(f"待删除: {len(to_delete)}", flush=True)
+for bid, bpath in to_delete:
+    for table in ['data', 'books_authors_link', 'books_languages_link',
+                  'books_publishers_link', 'books_series_link', 'books_tags_link',
+                  'comments', 'identifiers']:
+        c.execute(f'DELETE FROM {table} WHERE book=?', (bid,))
+    c.execute('DELETE FROM books WHERE id=?', (bid,))
+    full_dir = os.path.join('/home/yangxuan/calibre/books', bpath)
+    if os.path.exists(full_dir):
+        shutil.rmtree(full_dir)
+
+conn.commit()
+conn.close()
+print(f"完成，删除: {len(to_delete)}", flush=True)
+```
+
+---
+
+## 三、书名批量清洗（作者标记去除 + 前 20 中文截取）
+
+对于书名中含 `作者：xxx`、`翻译：xxx` 标记但作者字段已有值的书，使用此脚本批量清洗：
+
+```python
+import sqlite3, re
+
+db_path = '/home/yangxuan/calibre/books/metadata.db'
+conn = sqlite3.connect(db_path)
+c = conn.cursor()
+
+c.execute('''
+    SELECT b.id, b.title, a.name as author_name, d.name as file_name
+    FROM books b
+    JOIN data d ON d.book = b.id AND d.format = 'TXT'
+    JOIN books_authors_link l ON b.id = l.book
+    JOIN authors a ON l.author = a.id
+    WHERE (b.title LIKE '%作者：%' OR b.title LIKE '%作者:%' OR b.title LIKE '%翻译：%' OR b.title LIKE '%翻译:%')
+      AND a.name NOT IN ('未知', 'Unknown')
+    ORDER BY b.id
+''')
+rows = c.fetchall()
+
+for bid, title, author_name, file_name in rows:
+    # 1. 从 data.name 提取作者并更新 author 字段（如不同）
+    name_clean = re.sub(r'\s*-\s*(Unknown|未知)\s*$', '', file_name)
+    m = re.search(r'[　\s]*?(?:作者|翻译|原?作者)[：:]\s*([^\s_）\)《\[【\]】\-,]+)', name_clean)
+    if m:
+        extracted = m.group(1).strip()
+        if extracted and extracted != author_name and len(extracted) < 30:
+            cur = conn.cursor()
+            cur.execute("SELECT id FROM authors WHERE name=?", (extracted,))
+            ar = cur.fetchone()
+            if ar:
+                aid = ar[0]
+            else:
+                cur.execute("INSERT INTO authors (name, sort) VALUES (?, ?)", (extracted, extracted.replace(',', '').strip()))
+                aid = cur.lastrowid
+            cur.execute("UPDATE books_authors_link SET author=? WHERE book=?", (aid, bid))
+            cur.close()
+    
+    # 2. 裁剪书名：去标记 + 前 20 中文
+    clean_title = re.sub(r'[　\s]*?(?:作者|翻译|原?作者)[：:].*$', '', file_name, flags=re.DOTALL)
+    clean_title = re.sub(r'\s*-\s*(Unknown|未知)\s*$', '', clean_title).strip()
+    
+    if clean_title:
+        count = 0
+        pos = 0
+        for i, ch in enumerate(clean_title):
+            if '\u4e00' <= ch <= '\u9fff':
+                count += 1
+                if count == 20:
+                    pos = i + 1
+                    break
+        if count > 20:
+            clean_title = clean_title[:pos]
+        
+        if clean_title != title:
+            c.execute("UPDATE books SET title=? WHERE id=?", (clean_title, bid))
+
+conn.commit()
+conn.close()
+```
+
+---
+
+## 四、常用查询
+
+### 4.1 查看 XX 作者的书
+
+```bash
+sqlite3 /home/yangxuan/calibre/books/metadata.db "
+SELECT b.id, b.title
+FROM books b JOIN books_authors_link l ON b.id = l.book
+JOIN authors a ON l.author = a.id
+WHERE a.name = 'Unknown'
+LIMIT 20;
+"
+```
+
+### 4.2 统计作者分布
+
+```bash
+sqlite3 /home/yangxuan/calibre/books/metadata.db "
+SELECT a.name, COUNT(*) as cnt
+FROM books b JOIN books_authors_link l ON b.id = l.book
+JOIN authors a ON l.author = a.id
+GROUP BY a.name ORDER BY cnt DESC LIMIT 20;
+"
+```
+
+### 4.3 书名异常检测
+
+```bash
+sqlite3 /home/yangxuan/calibre/books/metadata.db "
+SELECT id, title FROM books WHERE
+  title LIKE '%作者%' OR title LIKE '%翻译%' OR
+  title LIKE '%.com%' OR title LIKE '%http%' OR
+  title LIKE '%内容简介%' OR
+  LENGTH(title) > 80;
+"
+```
+
+### 4.4 书库统计
+
+```bash
+python3 -c "
+import sqlite3
+conn = sqlite3.connect('/home/yangxuan/calibre/books/metadata.db')
+c = conn.cursor()
+c.execute('SELECT COUNT(*) FROM books')
+print(f'总书籍: {c.fetchone()[0]}')
+c.execute('SELECT COUNT(*) FROM data WHERE format=\"TXT\"')
+print(f'TXT 文件: {c.fetchone()[0]}')
+conn.close()
+"
+```
+
+---
+
+## 五、操作流程（推荐顺序）
+
+```bash
+cd /home/yangxuan/calibre
+
+# 1. 停服务 + 备份
+docker compose down
+cp books/metadata.db books/metadata.db.backup.$(date +%Y%m%d)
+killall calibre 2>/dev/null
+
+# 2. 脏数据清理（内容损坏 + 小文件 + 垃圾格式标题）
+python3 /path/to/clean_dirty_data.py
+
+# 3. 书名清洗 & 作者提取（含 data.name 级别提取）
+calibre-debug /path/to/fix_titles.py
+
+# 4. 检查是否有遗漏的异常书籍
+sqlite3 books/metadata.db \"SELECT id, title FROM books WHERE title LIKE '%作者%' OR title LIKE '%翻译%' OR title LIKE '%.com%';\" | head -10
+
+# 5. 重启
+docker compose up -d
+```
+
+---
+
+## 六、已知问题
+
+### `set_metadata` 报 `Errno 36 文件名过长`
+
+当 `author_sort` 字段超 80 字节时，Calibre 路径会触及 ext4 255 字节限制。先清理极长作者名：
+
+```bash
+sqlite3 /home/yangxuan/calibre/books/metadata.db "
+UPDATE authors SET name='Unknown' WHERE LENGTH(name) > 30;
+"
+```
+
+### WSL `/mnt/f` 删除 NTFS 文件权限不够
+
+WSL 的 drvfs 默认不带 metadata 选项，`sudo rm`、`os.remove`、`cmd.exe /c del` 均无法删除 NTFS 文件。不要在 WSL 下尝试跨分区删除操作，直接让 Windows 侧（文件资源管理器/PowerShell）操作。
+
+### 书名长度截取规则
+
+`title` 字段清洗后最多保留 20 个中文字符。计数规则：只计 Unicode 范围的 `\u4e00-\u9fff` 中文字符，保留第 20 个中文之前的所有字符（含非中文）。如书名不足 20 个中文则全保留。
+
+### `title` vs `data.name` 区别
+
+- `books.title`：Calibre 界面显示的书名（清洗后的）
+- `data.name`：导入时的原始文件名（不含 `.txt`）
+- 作者提取优先使用 `data.name`，其文件名保留原始信息、更可靠