我是 Calibre 的重度使用者，电子书下多了，难免良莠不齐，遇见质量糟糕的孤本，找不到替代品，只能自己手动编辑，才能在阅读 App 内体验到良好的可读性。epub 电子书的标准基本上兼容 HTML + CSS，只有一小部分复杂特性不受支持，总而言之，初步掌握一些 HTML 知识，编辑电子书就绰绰有余了。
但全程手动编辑一部电子书，未免耿直过分，要提升编辑效率，正则表达式是不可不学的方便法门。当然，现在让 AI 打辅助，基本上可以搞定大部分问题，但自己毫无头绪，摸不到门道，自然也难以驾驭 AI。这里就稍作介绍，也记录一些常用的方法，以备查询。
一、正则表达式入门
古人读书，常常一边读，一边点校，风雅之士，没准还要在书斋之中焚一支熏香，备一壶茶或酒。何谓点？就是给句子在合适的地方加上标点，使句读通顺，生出节奏。何谓校？校正错漏之处。
电子书同样如此，错讹总是免不了，哪怕是作者亲自发布的文件，也免不了有拼写错误。除非是出版社经手过的，否则难免要自己编辑一下。
编辑电子书不难，但如果想提高效率，正则表达式就必须了解一下了。建议先读一些入门文章，比如菜鸟教程的正则表达式教程。
在 Calibre 的编辑器里怎么用正则表达式？Ctrl+F 打开查找对话框，通常在界面底部：
比如我们要搜索一本书的某一章，我可以直接输入「第七章」，点击查找，程序就会跳到第七章。但如果我们想查找所有的章节呢？此时可以输入：
第[一二三四五六七八九十]章在此点击查找，是否可以找到了？中间的方括号[]用来指定我们需要匹配的范围，因为我们匹配的是汉字数字，所以只能全部列举。如果碰到超长篇，那么就连百也要加进去。但阿拉伯数字就要简单一些，直接 [0-9] 就能匹配全部数字了。
但很快我们就会发现，第十一章就查找不到了。因为这个表达式只能匹配要给汉字，如果我们想匹配两位数甚至三位数，只要稍作修改：
第[一二三四五六七八九十]+章加上一个加号，就可以匹配多个汉字数字了。
二、电子书手动全攻略
最方便的自然还是直接从网上下载精校精排的善本，Z-Lib，安娜档案，基本上有这两个网站也就够了。唯一的门槛也不过是翻墙的梯子而已。
但总有一些书是没有善本的，尤其是新书，大多是从首发平台上抓取的文本，又被这些盗版网站恣意置入各种丑陋的文字标记。但你又没有别的途径，快餐文字当然过目便亡，但遇见了值得玩味的文字，就只能打开工具，拾掇干净了。
1. 将文本文档转换成 epub 文档
有两种途径。
其一是直接用 Calibre 的转换书籍功能。可参考少数派这篇《借助 Calibre 处理电子书的流程和技巧》。
更多的进阶知识也可以参考以下来自书伴的文章：
其次就是我喜欢的手动处理。直接在 Calibre 左上角的「添加书籍」中选择「添加一本空白书籍」，熟练之后也可以快捷键 Ctrl+Shift+E：
弹出对话框，自行填写内容：
在新建的电子书右键选择「编辑」，或者直接快捷键 T，即可进入电子书的编辑界面。
2. 导入 CSS 文档
3. 导入内容
粘贴文本而已。
Ctrl+C，然后保证 Ctrl+V 到 <body></body> 范围之内。
无论是从文档中粘贴，还是网页、论坛中粘贴，基本上差不多。有一些网站防盗意识做得比较好，禁止右键复制——不过也就是防新手而已，爬虫可不管你这啊那的。
不过不同的文章或者章节，还是建议每一章都单独建立一个文件，这样导出的时候比较省心。当然，偷懒也是神圣不可侵犯的人权，无所谓的。
4. 分段
这里就需要用到正则表达式了。
查找：
(?<!>)[\n]+(?![ \t\u3000]*<[a-z])[\ ]*替换为：
</p>\n\n<p>段落就分好了。
然后我们就需要考虑到一种情况，即文本手动分行。比如这种：
人的皮肤之厚，大概不到半分，鲜红的热血，就循着那后面，在比
密密层层地爬在墙壁上的槐蚕〔2〕更其密的血管里奔流，散出温
热。于是各以这温热互相蛊惑，煽动，牵引，拚命地希求偎倚，接
吻，拥抱，以得生命的沉酣的大欢喜。粗看正常，实则是多出来一大坨不必要的分行，除非屏幕的宽度、字体的大小配合得恰到好处，否则总会露馅。
在互联网早期，论坛排版相当麻烦，手动分行甚至是值得研究的细活，有大佬专门手搓小工具来做这个。但世事变迁，一些当时的权宜之计就不足为训，需要我们手动来清除了。
看起来挺简单，但转换成代码之后，实际上有各种可能。
第一种如下：
<p>人的皮肤之厚，大概不到半分，鲜红的热血，就循着那后面，在比</p>
<p>密密层层地爬在墙壁上的槐蚕〔2〕更其密的血管里奔流，散出温</p>
<p>热。于是各以这温热互相蛊惑，煽动，牵引，拚命地希求偎倚，接</p>
<p>吻，拥抱，以得生命的沉酣的大欢喜。</p>多出来很多不必要的分段。对于段末不带标点符号，或出现的是，、；：等句中标点，则表示此处的分段错误，需要矫正。
搜索：
(?<![！。……”」： ？])</p>(\n[ \t]*)+<p[^>]*>替换为空。
第二种如下：
<p>人的皮肤之厚，大概不到半分，鲜红的热血，就循着那后面，在比
密密层层地爬在墙壁上的槐蚕〔2〕更其密的血管里奔流，散出温
热。于是各以这温热互相蛊惑，煽动，牵引，拚命地希求偎倚，接
吻，拥抱，以得生命的沉酣的大欢喜。</p>这种其实影响不大，HTML 会将其识别为一个正常的段落。但强迫症不能忍的是，换行处会出现多余的空格……
所以我们还是得处理掉，搜索：
([\u4e00-\u9fa5]|[\?\!\)，。……）”」？！])[\n\ ]替换为：
\1这样也可以去除多余的空格，但不会误伤英文单词之间的空格。
还有第三种情况是：
人的皮肤之厚，大概不到半分，鲜红的热血，就循着那后面，在比<br />
密密层层地爬在墙壁上的槐蚕〔2〕更其密的血管里奔流，散出温<br />
热。于是各以这温热互相蛊惑，煽动，牵引，拚命地希求偎倚，接<br />
吻，拥抱，以得生命的沉酣的大欢喜。<br />
<br />我的建议是单个 <br /> 直接删除，两个 <br />\n<br /> 替换为 </p>\n\n<p>。
注意：记得手动补全第一个段落前面的 <p>，以及最后一个段落后面的 </p>。
5. 清理
分两种，一种是冗余代码，一种是被刻意置入的网站标记、版权声明等。
5.1 去除冗余代码
因为我们已经外挂了 CSS 文件，所以每个页面内置的 CSS 代码就变得多余了，搜索：
<style(?:\s+[^>]*)?>[\s\S]*?</style>将其替换为空格。
因为 CSS 文件中，段落只见已经预留 1em 的间隔，所以先去除不必要的分段符，Ctrl + F 搜索：
\n<p class="(whitespace|softbreak)"> </p>确认替代栏为空，Alt + A 即可全部消除。
其次是去除不必要的 CSS 类名，Calibre 转换格式自带的类名一般前缀 calibre 加数字，所以 Ctrl + F 搜索：
class="calibre[0-9]?"同样 Alt + A 将其全部消除。
5.2 去除网站标记和版权声明
我们在网页上选定一段文字的时候，拷贝，粘贴，有时候会惊喜地发现文末多了个小尾巴。通常是网站的域名，或者一段版权声明，很烦人。
电子书里面，这种把戏也常见得很。碰见固定的域名或者文字还好，怕就怕加上了随即编码的。比如这样的：
笔)痴（中&文bｉchi.me
笔`￥`痴`￥`中`￥`文ｗｗｗ.biｃhi.me理清思路，我们能判断的是开头是笔，结尾是域名 .me，英文因为有全角和半角，反而麻烦，但四个汉字「笔痴中文」是固定的。
搜索：
笔[^\u4e00-\u9fa5]*?痴[^\u4e00-\u9fa5]*?中[^\u4e00-\u9fa5]*?文[^\u4e00-\u9fa5]*?(?:\.|．)me替换为空，就清空了。
6. 矫正错误
6.1 把手动分行符替换成 <hr> 标签
电子书里面经常出现作者手打的分行符，但手动分行符的一大弊端是字体小了，撑不满一行，字体大了，又撑出第二行来，既不美观，也不灵活，远不如 <hr /> 标签适应性强。这些手动分行符通常有下面几种：
--------------------------------------
======================================
**************************************
*** *** *** *** *** *** *** *** *** **查找：
<p[^>]*>([*﹡＊=—…\-\ ]{3,})</p>替换为：
<hr />
<hr class="divider" />6.2 修正混乱的省略号
还有一种类似的情况，属于个人的强迫症，就是省略号乱飞，逗号句号顿号各种排队串联，比如：
、、、、、
。。。。
，，，，，，要不要修正看个人审美，查找：
([，。-、]{3,})全部替换为标准省略号即可。不过这也是时代问题，手机输入省略号并不方便，如果都像以前，大家都用电脑，配上键盘，大概不会有这样的困扰。
6.3 修正引号
还有一种常见的错误是，一句话被分到两段里。虽然有些作家喜欢这么写，但大多可以视作排版问题，需要矫正。搜索：
「([^」]*?)</p>\s*<p>([^」]*?)」替换为以下即可：
「\1\2」对于不同的引号类型（""、「」、『』），分别处理比较保险。
另外一种常见错误是引号错误，正常文字应该是「这是一段话」，但有时候会变成「这段话的闭合符合不对「。
搜索：
「([^」<]*?)「替换为：
「\1」当然，更理想的情况是先将引号统一成一种格式，然后再将方向错误的引号修正，这样反而比较简单。
还有一种情况是，一句话当中引用的短句或者成语，引号没有正确使用，比如：
「这就是你说的「轻而易举」吗？」她嗤笑道。
正确的引号应该是：
「这就是你说的『轻而易举』吗？」她嗤笑道。
此时我们查找：
「([^」]*)「([\u4e00-\u9fa5]+)」([^「]*)」替换为以下表达式即可：
「\1『\2』\3」7. 格式化标题
一般来说，我会将书名设置为一级标题 H1，卷名 H2，章节名 H3，小节 H4。如果未来按照作者或者题材合并成作品集，保持同样的标准，生成目录的时候会有一种行云流水的快感。
7.1 有规律的章节标题
一般来说，我会将书名设置为一级标题 H1，卷名 H2，章节名 H3，小节 H4。如果未来按照作者或者题材合并成作品集，保持同样的标准，生成目录的时候会有一种行云流水的快感。
比如章名一般为：第一章 浮生若梦，则 Ctrl + F 搜索：
<p>第(.*?)章 (.*?)</p>但这只是最理想的状况，实际上的格式是不受控制的，乱七八糟应有尽有。
光是数字就有第一章、第1章、第１章、第001章等全角半角中文数字，第1章也可能变更为（1）这样的括号，中间的空格也有可能是、，。：各种标点，甚至没有空格，后面的文本可能有，也可能没有。
然后我们还要防备一种情况，就是误判段落中含”第“与”章“的内容，有时候甚至会跨段落误判。所以我们要保证不要跨段落。
还有一种情况是章节序号之前，可能会随即出现【今日加更】之类的文字，也是我们需要考虑的。
综合以上考量，最后使用的正则表达式应该如下：
<p[^>]*>\s*[第（【][\s，、。．：]*([零一二三四五六七八九十百千万亿0-9０-９]+)[\s，、。．：]*[章卷）】][\s，、。．：]*([^<]*)</p>将其填入搜索栏，然后在替换栏填入：
<h2>第\1章 \2</h2>搜索栏内的 (.*?) 即代表需要替换的内容表达式，\1、\2 代表替换的第一个表达式对应的内容。
卷名或小节名同理。
7.2 无规律的章节标题
像这种有规律的章节标题还是比较好处理的，但仍然存在一些文艺青年不喜欢循规蹈矩，序号是没有的，只有一行莫名其妙的句子。往好了说是诗意，往坏了说不过是莫名其妙而已。
这种只能勉强归纳，和普通的段落比起来，文字比较简短，我们可以先假定是16个字，通常也不会出现感叹号或者问号之外的标点。
那我们可以先试试这个正则表达式：
<p[^>]*>[^<「」『』""''\n\r\*]{0,15}[^。，！？：︰∶……\*』」\.\n\r<]</p>这种情况最好不要直接替换，而是搜索之后，确认无误，按 Ctrl+2 或 Ctrl+3 快速设置为对应级别的标题。
7.2 验证错漏
此时可以通过编辑目录来验证标题是否齐全，或者是否有误判导致的多余标题。
生成目录之后就可以检查一遍。没有问题就算是搞定的。如果有错漏，可能是格式偏差太大，比如前面是”第一章 浮生若梦“，后面就变成”002. 事如春梦了无痕“了。
8. 最后的检校
比如 <body> 后面的段落，丢失了起始标签 <p>，例如：
<body>
人的皮肤之厚，大概不到半分，鲜红的热血，就循着那后面，在比密密层层地爬在墙壁上的槐蚕〔2〕更其密的血管里奔流，散出温热。于是各以这温热互相蛊惑，煽动，牵引，拚命地希求偎倚，接吻，拥抱，以得生命的沉酣的大欢喜。</p>搜索：
<body[^>]*>[^<](.*?)</p>将其替换为：
<body>\n\n <p>\1</p>