Add utility to index ePub documents content

Abierto

#333 abierto el 20/8/2026 0 comentarios 0 reacciones 0 asignados Ver en GitHub

Nadie ha tomado este issue todavía.

Evaluación

Dificultad: 3/5
Tiempo estimado: 1-2 días
Aptitud para principiantes: 55/100

Tipo de issue: Nueva funcionalidad
Claridad: Bastante claro
Estado de actividad: Tranquilo
Stack tecnológico: python
Área: search

Línea de trabajo

Comienza revisando el trabajo de extracción de PDF en el pull request 182 de python-scraperlib y el issue 95 relacionado de Gutenberg. Identifica el punto de entrada reutilizable de scraperlib necesario para la extracción de ePub y define la finalización como la exposición del contenido y los metadatos de ePub para que los scrapers puedan usarlos para la indexación de texto completo.

Escrito por el modelo de indexación a partir del texto del issue.

Descripción

enhancement

Content of ePub documents is not indexed for full text search, while on some ZIM it is the "core" of the ZIM.

Extracting ePub info would be beneficial to multiple scrapers and should thus ideally be exposed in scraperlib, just like we did for PDFs in https://github.com/openzim/python-scraperlib/pull/182

See https://github.com/openzim/gutenberg/issues/95

Lenguaje dominante: Python
Estrellas: 31
Forks: 27
Merge medio: 3 d 7 h
PR fusionados (30 d): 2

Guía de contribución

No hay ninguna guía de contribución indexada para este repositorio

Primeros pasos

Lee el issue completo y luego la guía de contribución del proyecto.
Comenta en el issue que vas a ocuparte — evita que dos personas hagan lo mismo.
Haz un fork del repositorio y trabaja en una rama.
Abre un pull request que haga referencia al número del issue.

Más de openzim/python-scraperlib

HTML rewriting: also rewrite `poster` attribute Abierto

bug

Dificultad 2/5 1-3 horas Aptitud para principiantes 72/100

openzim/python-scraperlib#339 · Abierto el 16/9/2026
[next major] Remove deprecated 'convert' parameter for optimize_image function inside optimization.py Abierto

enhancement

Dificultad 2/5 1-3 horas Aptitud para principiantes 68/100

openzim/python-scraperlib#292 · Abierto el 11/4/2026
URL normalisation: URL-encoded `#` makes its way into the path, but is lost when obtaining the URI of that entry Abierto

bug

Dificultad 4/5 3-5 días Aptitud para principiantes 35/100

openzim/python-scraperlib#341 · Abierto el 17/9/2026
URL normalisation: do not rewrite consecutive slashes `//` as a single slash `/` Abierto

bug

Dificultad 3/5 1-2 días Aptitud para principiantes 45/100

openzim/python-scraperlib#340 · Abierto el 17/9/2026
Add fuzzy rule to rewrite URLs of lesbases.anct.gouv.fr Abierto

bug

openzim/python-scraperlib#334 · 1 asignado · Abierto el 21/8/2026

Todos los issues de openzim/python-scraperlib

Issues similares

[Bug] reef-hermes tells me to resume with hermes --resume, which does not work from my shell Abierto

area: harness bug status: needs-triage

Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100

Human-Agent-Society/reef#625 · Abierto el 24/9/2026
Bump transitive axios to >=1.18.0 to address GHSA-hcpx-6fm6-wx23 Abierto

Dificultad 2/5 1-3 horas Aptitud para principiantes 70/100

coinbase/cdp-sdk#828 · Abierto el 24/9/2026
AccessibleResourceCard/AccessibleChannelCard crash when a resource has more than one learning activity (getActivityTags returns an object instead of an array) Abierto

Dificultad 1/5 Menos de una hora Aptitud para principiantes 80/100

learningequality/kolibri#15351 · 2 comentarios · Abierto el 24/9/2026
audeer.path(): optionally expand environment variables Abierto

Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100

audeering/audeer#212 · 1 comentario · Abierto el 24/9/2026
Name consistency Abierto

Dificultad 2/5 1-3 horas Aptitud para principiantes 75/100

eellak/triplestore#65 · 1 comentario · Abierto el 24/9/2026

Más issues de Python

Un resumen breve de issues de GitHub para principiantes.