How to use emacs to format ebooks and what are the general methods to format messy documents

背景

找了本电子书，是 pdf 格式的，无法导出为好格式的 txt。想起好久没玩 Emacs 的 regexp 怕生疏了，于是就用 Emacs 调一下 txt 电子书的格式。

注意，通常并不建议使用 Emacs 调整电子书格式，因为直接重新找资源是更自然、方便、合理的方案。

友情提示：下列图片，点开看全图更易理解，因为白边区域易与网页底色混淆。

观察

在 pdf 中，全选并粘贴进 Emacs，得到初版 txt。

打开 whitespace-mode，发现每一行大概有 58 字，坑爹的是每一行末尾有一个行尾符 $。通常的纯文本，都只在段尾才有一个行尾符 $。那怎么办呢？

步骤

1. 标记段尾

把以句号、省略号、后引号、问号、后括号、破折号、感叹号结尾的地方，全打上 rjsyffj 这个标记，rjsyffj 是一句诗：人间四月芳菲尽。打上标记后，在把全书所有断行合并成一行，段尾也有了 rjsyffj 这个明显的标记。

\(。\|……\|”\|？\|）\|——\|！\)$ → \&rjsyffj

2. 标记章节

这句就是把第某章前面加两个空行，后面也加一个空行，再打上 rjsyffj 这个标记，把全书所有断行合并成一行之后，章节名也有了 rjsyffj 这个明显的标记。^J 是在 Emacs 中按 C-q C-j 出现的，意思是换行。

\(第.章\) → ^J^J\&^Jrjsyffj

3. 合并全书成一行

把所有断行合并成一行。相当于这几十万字的电子书变成了一行，但由于段尾在第 1 步中做了 rjsyffj 这个标记，所以这一大行，下一步把段尾替换出来就形成了美观的分段。

delete-indentation

4. 提取段尾

在rjsyffj处换行

5. 收尾

删除多余的空格，取消 whitespace-mode，与原 pdf 对比看是否有误

评价

\|表“或”的用法比较有意思。先加 magic letter，替换再找回的思路，高效。Emacs 命令 delete-indentation，强大。想到用。……”？）——！这七个符号定位段尾的方法，真棒。

表面上，本文针对的是处理电子书。实际上，对于从 pdf 导出来的 word 文档或 txt 文档，其全篇断行凌乱无序的，基本都可以通过这种找段尾、打标记、合并行、替换标记为理想的格式的思路，实现文档美化。