# parseopf.py
# -----------------------------
# 用于解析EPUB电子书的OPF文件，提取manifest部分所有id对应的html文件href。
# 支持批量测试和通过id快速查找href。
# 依赖：BeautifulSoup4
# -----------------------------

from collections import defaultdict
from bs4 import BeautifulSoup
import pprint


def parse_opf(filepath):
    """
    解析OPF文件，返回{id: href}的defaultdict(dict)结构。
    仅保留href以.html结尾的项。

    参数：
        filepath (str): OPF文件路径
    返回：
        defaultdict(dict): id到href的映射（仅html文件）
    """
    result = defaultdict(dict)
    with open(filepath, 'r', encoding='utf-8') as f:
        soup = BeautifulSoup(f, 'xml')
    # 查找manifest部分，遍历所有item，筛选html结尾的href
    manifest = soup.find('manifest')
    if manifest:
        for item in manifest.find_all('item'):
            id_ = item.get('id')
            href = item.get('href')
            if id_ and href and href.strip().lower().endswith('html'):
                result[id_] = href
    return result

if __name__ == "__main__":
    test_files = [
        './examples/epub_format_2/OEBPS/content.opf',
        './examples/epub_format_4/item/standard.opf',
        './examples/epub_format_3/OEBPS/content.opf',
        './examples/epub_format_1/content.opf',
    ]
    for file in test_files:
        print(f"\n==== 测试文件: {file} ====")
        try:
            result = parse_opf(file)
            pprint.pprint(result, indent=2, width=120, sort_dicts=False)

            # 增加通过id快速打印href的测试
            test_ids = list(result.keys())[:3]  # 取前三个id做演示
            for test_id in test_ids:
                print(f"id: {test_id} -> href: {result[test_id]}")

        except Exception as e:
            print(f"解析失败: {e}")