电子书获取路由
这个 skill 解决什么
Tony 要一本书的电子版时,默认反射不该是"去哪个盗版站搜",而是走一条从合法来源开始的路由。 实测结论:中文思想/技术类作者的自出版率高得惊人 —— 李笑来把 30+ 本著作全部开源在 GitHub, 阮一峰、廖雪峰、崔庆才等同理。先查作者自己发没发,往往一步到位,而且拿到的是 Markdown 源文件, 转出来的 PDF 比任何扫描件都干净。
边界(硬约束,不绕)
不做:通过 Z-Library、Anna's Archive、libgen、鸠摩搜书、各类网盘资源站等影子图书馆, 批量或单本拉取仍在版权保护期内的书。"仅供学习研究"不构成例外 —— 那不是版权豁免。
本机存在 ~/Desktop/01-项目开发/09-工具应用/06-z-library-helper(多账号轮换下载工具)。
本 skill 不调用它。Tony 若坚持自己用,那是他的事,但不要由 Claude 代为发起。
做:下面 6 层来源,按顺序往下走,命中即停。
路由:6 层来源,按顺序试
L1 · 作者自出版(命中率最高,优先级最高)
大量中文作者把书完整开源。先搜作者,再搜书名。
# 按作者搜 GitHub(注意:作者可能有多个 org)
gh api "search/repositories?q=<作者名>+in:name,description,readme&per_page=30" \
--jq '.items[] | "\(.full_name)\t⭐\(.stargazers_count)\t\(.description // "")"'
# 列出某作者全部自有仓库(排除 fork)
for p in 1 2 3; do
gh api "users/<user>/repos?per_page=100&page=$p&sort=full_name" \
--jq '.[] | select(.fork==false) | [.name,(.stargazers_count|tostring),(.description//"")] | @tsv'
done
关键坑:
- 作者的书常散落在多个组织下,只搜
users/<name>/repos会漏。 实例:《人人都能用英语》在ZuodaoTech/、《自学是门手艺》在selfteaching/,都不在xiaolai/下。 → 务必同时跑一次search/repositories按书名/作者名全站搜。 - 很多仓库自带作者官方 PDF,先
find <repo> -name '*.pdf'再考虑自己转档。官方版永远优于自建版。
同时查作者个人站(sitemap.xml / robots.txt 往往直接列出全部书页)。
L2 · 公有领域
| 来源 | 覆盖 | 入口 |
|---|---|---|
| Project Gutenberg | 7.5万+ 英文经典 | gutenberg.org/ebooks/search/?query= |
| Standard Ebooks | 精校排版版公有领域 | standardebooks.org |
| 中国哲学书电子化计划 | 中文古籍全文 | ctext.org |
| 维基文库 | 中文公有领域 | zh.wikisource.org |
判断是否进入公有领域:作者卒年 + 50 年(中国大陆)/ 70 年(欧盟、美国多数情形)。拿不准就当作未进入。
L3 · 开放获取学术专著
| 来源 | 入口 |
|---|---|
| DOAB(开放获取图书目录) | doabooks.org |
| OAPEN | oapen.org |
| Springer / MIT Press Open Access | 各社 open access 板块 |
| arXiv / bioRxiv | 论文与部分专著 |
L4 · Internet Archive
archive.org 有两类:公有领域全文可下,与受控数字借阅(可在线借,不可下载)。
只取前者;后者当作在线阅读资源给 Tony 链接。openlibrary.org 用于查书的元数据与借阅可用性。
L5 · 正版订阅 / 图书馆借阅
微信读书、京东读书、得到、Kindle Unlimited、Libby / OverDrive(公共图书馆)、
O'Reilly Learning。Tony 已有会员的优先(见 memory reference_devices-and-subscriptions)。
L6 · 直接买
给购买链接(豆瓣比价 / 京东 / 当当 / Kindle 商店)。这是终点,不是失败。
拿到源文件后:转 PDF
本机工具链现状(2026-08 实测):pandoc ✅ xelatex ✅ typst ✅ | weasyprint ❌ calibre ❌ mdbook ❌
优先级
- 仓库自带官方 PDF → 直接复制,不要转档
- 有 EPUB →
pandoc book.epub -o book.pdf --pdf-engine=xelatex - 只有 Markdown → 走下面的配方
Markdown → PDF(CJK 配方)
pandoc merged.md -o "书名.pdf" \
--pdf-engine=xelatex \
-V CJKmainfont="Songti SC" \
-V geometry:margin=2.5cm \
-V linkcolor=blue \
--toc --toc-depth=2
必踩的坑:
- xelatex 首跑要建字体缓存,可能超过 2 分钟 → 一律
run_in_background: true,别用默认超时跑。 - 章节顺序不能靠文件名排序。GitBook 结构要读
SUMMARY.md提取顺序;Chapter1.md … Chapter10.md用字典序会把 10 排到 2 前面,必须自然排序。 - 图片路径是相对的 → 在仓库根目录执行 pandoc,或加
--resource-path。 xargs -I{}会把 TSV 的制表符规范化掉,导致字段串行、URL 畸形。批量处理用纯 bashwhile read+&,不要经 xargs。
落盘后必验(Gate:不验不算完成)
python3 - <<'EOF'
import pathlib, hashlib, collections, subprocess
d = pathlib.Path("<输出目录>")
seen = collections.defaultdict(list)
for p in sorted(d.glob("*.pdf")):
b = p.read_bytes()
seen[hashlib.md5(b).hexdigest()].append(p.name)
ok = b.startswith(b"%PDF")
print(f"{'OK ' if ok and len(b)>10240 else 'BAD'} {len(b)//1024:>7}KB {p.name}")
dup = {k: v for k, v in seen.items() if len(v) > 1}
print("重复组:", dup or "无")
print("总计:", len(list(d.glob("*.pdf"))))
EOF
再抽 2-3 本渲染首页缩略图肉眼确认中文没变成乱码方块(UTF-8 / 字体缺失的典型表现)。
已建成的本地库
李笑来全集:$EXT_DISK/02-NotebookLM/Xiaolai李笑来/所有资料/电子书PDF/(EXT_DISK = 外接盘挂载点)
来源全部为作者本人在 GitHub(xiaolai / selfteaching / ZuodaoTech)与 lixiaolai.com 的公开发布。
同目录 xiaolai share/ 是既有的音频与课程资料,不要动。
再有"补充李笑来的书"这类需求,先 ls 该目录去重,只补差集。
交付给 Tony 的格式
极简。一张表 + 一行结论:
| 书名 | 来源层级 | 拿到了什么 | 落盘路径 |
|---|
L1-L4 命中的:直接给文件。 只能走 L5/L6 的:给链接,一句话说明为什么不能直接下(版权期内 / 仅限借阅),不展开说教。