jianyun8023 Calibre 书库质量筛选
依赖 calibre-library 技能提供的 API 访问能力，对入库书籍进行质量审核。
目标：只保留中文正规出版书籍。
适用场景
- 定期审核最近入库的书籍质量
- 批量筛选不合格书籍并输出清单
- 对单本书籍进行详细质量核查
不适用
- 直接修改、删除 Calibre 书库数据的场景
- 只想浏览、搜索或下载书籍，不做质量审核
- 评估排版、OCR 准确率、EPUB 结构等内容质量问题
- 非“中文正规出版书籍优先”的书库策略
筛选规则
执行顺序：规则4 → 规则5 → 规则3 → 规则2 → 规则1 → 规则6（高频问题优先，使用短路逻辑）
规则 4: 作者/出版社含垃圾信息（优先检查，高频问题）
检查字段：authors, publisher
判定标准：
- 含邮箱地址 → 删除
- 含黑名单关键词（admin, administrator, 关注, 微信, 送书, 公众号等） → 删除
关键逻辑：
email_re = r'[a-zA-Z0-9_.+-]+@[a-zA-Z0-9-]+\.[a-zA-Z0-9-.]+'
spam_kw = ['admin', 'administrator', '关注', '微信', '送书', '公众号', '书舍']
if email_re.match(author) or any(kw in author for kw in spam_kw):
return 'DELETE'
完整实现见 scripts/screen.py
规则 5: 低质出版源（高频问题）
检查字段：publisher
判定标准：
- 出版社为
epub掌上书苑,Unknown,calibre→ 删除 - 出版社为纯数字（如
2000） → 删除
关键逻辑：
bad_publishers = {'epub掌上书苑', 'Unknown', 'calibre'}
if publisher in bad_publishers or re.match(r'^\d+$', publisher):
return 'DELETE'
规则 3: 日系漫画/轻小说
检查字段：title, authors, publisher, title_sort
判定标准：
- 出版社含：株式会社、集英社、講談社、小学館、角川、KADOKAWA 等 → 删除
- 作者为：榎宫佑、伏见司、西尾维新、川原砾、晓佳奈 等 → 删除
- 书名含日文"巻"（注意：不检测中文"卷"） → 删除
- 书名含：コミック、マンガ、ライトノベル → 删除
- 知名轻小说标题：NO GAME NO LIFE, Sword Art Online, Re:Zero 等 → 删除
title_sort为全片假名 → 删除
注意事项：
- 不检测中文"卷"，因学术丛书常用"第X卷"
- 不检测
Vol./Volume，因正规出版物也使用
规则 2: 色情/成人内容
检查字段：tags
判定标准：
- 标签含：18禁、成人、色情、エロ、R18、adult、erotica、hentai、NSFW → 删除
关键逻辑：
adult_tags = {'18禁', '成人', '色情', 'エロ', 'r18', 'adult', 'erotica', 'hentai', 'nsfw'}
if adult_tags & {t.lower() for t in book_tags}:
return 'DELETE'
规则 1: 非中文书籍（智能判断）
检查字段：languages, title, authors
判定标准：
languages不含zho或chi且书名/作者也不含中文 → 删除languages不含zho或chi但书名/作者含中文 → 合格（忽略语言标记问题）
智能判断逻辑：以书名/作者的实际语言为准，忽略元数据中的语言标记错误
关键逻辑：
def contains_chinese(text):
return bool(re.search(r'[\u4e00-\u9fff]', str(text)))
is_chinese = any(lang in ['zho', 'chi'] for lang in langs)
if not is_chinese:
has_chinese_content = contains_chinese(title) or any(contains_chinese(a) for a in authors)
return 'PASS' if has_chinese_content else 'DELETE'
规则 4b: 标签含推广水印（警告级）
检查字段：tags
判定标准：
- 仅标签含推广关键词，但作者/出版社正常 → 更新（清理标签）
说明：书籍本身可能合格，仅标签被污染，建议清理标签而非删除书籍。
规则 6: 元数据严重缺失（警告级）
检查字段：publisher, comments, tags
判定标准：
- 同时满足：无出版社 AND 无简介 AND 无标签 → 更新（补充元数据）
操作流程
批量筛选
- 准备书籍元数据 JSON 文件：
# 使用 calibre-library 技能获取书籍数据
# 将书籍元数据保存为 books.json
# 格式：{"book_id": {"title": "...", "authors": [...], ...}, ...}
- 运行筛选脚本：
python skills/tooling/calibre-book-screening/scripts/screen.py \
--input books.json \
--output /tmp/calibre-screening-report.md
- 脚本会自动：
- 按优化顺序（4→5→3→2→1→6）执行规则检查
- 使用短路逻辑（首个"删除"规则命中后立即返回）
- 统计高频问题源（TOP 不合格出版社/作者/标签）
- 生成分组报告（按来源分组，批量问题优先展示）
单本核查
对单本书籍进行全部 6 条规则检查，输出详细核查报告。
输出格式
报告包含三个部分：
1. 高频问题源统计（当前批次）
展示 TOP 不合格出版社、作者、标签及其出现频率。
2. 待删除清单
按来源分组（高频问题优先展示）：
- 低质出版源: epub掌上书苑（X本）
- 作者含邮箱: xxx@xxx.com（X本）
- 日系出版社: 株式会社 集英社（X本）
- 非中文书籍（X本）
- ...
3. 待更新清单
按问题类型分组：
- 语言标记错误（修正为 zho）
- 标签含推广水印（清理标签）
- 元数据缺失（补充信息）
详细输出示例见 examples.md
判定结果
每本书只能是以下之一：
| 判定结果 | 说明 | 操作建议 |
|---|---|---|
| 待删除 | 触发硬性淘汰规则（规则1非中文、规则2色情、规则3日系、规则4垃圾、规则5低质出版源） | 删除书籍 |
| 待更新 | 触发警告规则（规则4b标签水印、规则6元数据缺失） | 修正元数据 |
| 合格 | 通过全部检查（包括语言标记错误但书名/作者为中文的情况） | 保留 |
Checklist
使用前：
-
calibre-library技能的配置已就绪 - 确认操作为只读，不修改书库数据
- 准备好书籍元数据 JSON 文件
使用后：
- 所有书籍均经过全部 6 条规则检查
- 输出包含频率统计、待删除清单、待更新清单
- 未执行任何写入操作
常见陷阱
- ❌ 仅凭
languages字段判断 → ✅ 以书名/作者实际语言为准（忽略语言标记错误） - ❌ 检测中文"卷"字 → ✅ 只检测日文"巻"（学术丛书常用"第X卷"）
- ❌ 不按优化顺序检查 → ✅ 使用短路逻辑，高频问题优先（规则4→5→3→2→1→6）
- ❌ 一次请求100+ ID → ✅ 批量接口每次 ≤ 50 个