calibre 术语表深度解析：RSS、Recipe、HTML/CSS、API、LRF、URL 与 regexp 在电子书管理器中的技术内涵

本篇技术指南以 calibre 官方手册的 Glossary（术语表） 为骨架，逐条剖析 calibre 电子书管理器中九个核心技术术语——RSS、recipe、HTML、CSS、API、LRF、URL、regexp——并结合 news.py 源码、recipes 配方库 与 正则表达式教程 展开实现级解读。读完本文，你将理解 calibre 如何通过"配方（recipe）"把网页内容加工成电子书、术语背后对应哪些真实代码模块，以及如何借助这些概念深入阅读项目文档与源码。

术语表的定位：理解 calibre 的"技术坐标系"

manual/glossary.rst 是 calibre 手册中一份精简但定位关键的文件，全文仅 29 行，采用 Sphinx/docutils 的 .. glossary:: 指令定义了一批贯穿项目文档的核心术语。它在整个手册体系中扮演"交叉引用枢纽"的角色：其他文档通过 :term: 角色引用这些术语，例如 CSS 词条内部就引用了 :term:\HTML`，<a href="https://link.gitcode.com/i/f634dcb601ed0c8171913af4a84e835a" target="_blank">regexp 词条</a> 则通过 :doc:` 链接指向 正则表达式教程。这意味着，理解这份术语表，等于拿到了一张浏览 calibre 全部技术文档的导航图。

九个术语恰好勾勒出 calibre 的核心业务闭环：用 RSS 等订阅源获取内容（RSS）→ 用 recipe 把网页加工成电子书（recipe）→ 处理 HTML/CSS 页面结构与样式 → 借助正则表达式清洗内容（regexp）→ 输出为 LRF 等目标格式 → 通过 URL 定位资源 → 通过 API 扩展功能。下面按这个脉络逐类展开。

内容获取层：RSS/ATOM 与 recipe

RSS：电子书内容的首选输入源

RSS (Really Simple Syndication) is a web feed format that is used to publish frequently updated content, like news articles, blog posts, etc. It is a format that is particularly suited to being read by computers, and is therefore the preferred way of getting content from the web into an e-book.

RSS（Really Simple Syndication，真正简单的聚合）是一种用于发布频繁更新内容（新闻文章、博客等）的 Web feed 格式。它的设计初衷就是"给计算机读"，因此成为 calibre 将网页内容导入电子书的首选途径。术语表同时强调：互联网上还存在许多其他 feed 格式，calibre 对其中大部分都能理解，尤其是博客常用的 ATOM 格式。

这一描述在源码中有充分印证：src/calibre/web/feeds/__init__.py 提供了 feed_from_xml（从 XML 解析单个 feed）和 feeds_from_index（从索引页面解析多个 feed）两个核心函数，它们负责把 RSS/ATOM 等 XML 格式统一解析为 calibre 内部的对象模型，供后续抓取流程消费。也就是说，"calibre understands most of them"不是一句口号，而是由 calibre.web.feeds 模块实现的真实能力。

recipe：教 calibre 把新闻源变成电子书

A recipe is a set of instructions that teach calibre how to convert an online news source, such as a magazine or a blog, into an e-book. A recipe is essentially Python code. As such, it is capable of converting arbitrarily complex news sources into e-books. At the simplest level, it is just a set of variables, such as URLs, that give calibre enough information to go out onto the Internet and download the news.

recipe（配方） 是 calibre 中最具特色的概念：它是一组"指令"，教会 calibre 如何将在线新闻源（杂志、博客等）转换为电子书。recipe 本质上就是一段 Python 代码，因此理论上能够处理任意复杂度的新闻源；而最简单的 recipe 只是一组变量（如 URL），足以让 calibre 上网下载新闻。

源码层面，recipe 的技术基座是 src/calibre/web/feeds/news.py 中约 2000 行的 BasicNewsRecipe 类，它继承自 src/calibre/web/__init__.py 中定义的 Recipe 基类。该类文件头注释明确写道："Defines various abstract base classes that can be subclassed to create powerful news fetching recipes"（定义了可被继承以创建强大新闻抓取配方的多种抽象基类）。

一个最简单的 recipe 只需定义几个类属性，例如仓库内置的 hackernews.recipe：

from calibre.web.feeds.news import BasicNewsRecipe

class HNWithCommentsLink(BasicNewsRecipe):
    title = 'HN With Actual Comments'
    __author__ = 'Tom Scholl & David Kerschner'
    description = 'Hacker News, ...'
    language = 'en'
    feeds = [('Hacker News Frontpage', 'https://hnrss.org/frontpage'),
             ('Ask Hacker News', 'https://hnrss.org/ask')]
    max_articles_per_feed = 20
    oldest_article = 3
    use_embedded_content = False
    no_stylesheets = True
    encoding = 'utf-8'
    delay = 1

对照 BasicNewsRecipe 的源码注释，可以逐项理解这些属性的含义（见 news.py）：

属性	默认值	含义（源码注释）
title	'Unknown News Source'	生成的电子书标题
description	''	配方内容简介，主要用于 GUI 配方列表中展示
language	'und'	新闻语言，须为两或三字符的 ISO-639 代码
feeds	None	待下载的 feed 列表，可为 [url1, url2, ...] 或 [('标题', url), ...]
max_articles_per_feed	100	每个 feed 最多下载的文章数，主要用于没有文章日期的 feed
oldest_article	7.0	允许下载的最老文章天数（多数 feed 应优先使用此参数）
recursions	0	在文章页面上跟随链接的层级数
delay	0	连续下载之间的默认延迟（秒），可为浮点数
simultaneous_downloads	5	并发下载数，服务器挑剔时应设为 1；delay > 0 时自动降为 1
timeout	120.0	从服务器抓取文件的超时时间（秒）
no_stylesheets	False	是否禁用样式表下载与处理（针对样式表过于复杂、不适合转换的网站）
remove_javascript	True	是否剥离下载 HTML 中的所有 JavaScript 标签
encoding	None	站点字符集声明错误时的覆盖编码；可为可调用对象
use_embedded_content	None	None 时自动根据正文长度猜测 feed 是否内嵌全文，True/False 则强制指定

这套机制的规模有多大？仓库的 recipes 目录 下存放着 1098 个 .recipe 配方文件，覆盖全球各语种的新闻源，是 calibre 官方新闻抓取能力的直接证据。配方的完整 API 说明见 manual/news_recipe.rst，入门教程见 manual/news.rst，二者与术语表中的 RSS、recipe 词条构成"概念 → 入门 → API 参考"的完整学习链路。

内容描述层：HTML 与 CSS

HTML (Hyper Text Mark-Up Language), a subset of Standard Generalized Mark-Up Language (SGML) for electronic publishing, is the specific standard used for the World Wide Web.

HTML（超文本标记语言） 是标准通用标记语言（SGML）面向电子出版的一个子集，也是万维网使用的特定标准。对 calibre 而言，HTML 是所有转换工作的输入原材料：recipe 抓取到的文章正文、epub 解包后的内容、编辑器中打开的文档，本质上都是 HTML。

CSS (Cascading Style Sheets) is a language used to describe how an HTML document should be rendered (visual styling).

CSS（层叠样式表） 是描述 HTML 文档应如何渲染（视觉样式）的语言。CSS 词条内部通过 :term: 引用了 HTML 词条，体现了二者天然的依赖关系。在 calibre 的转换管线中，CSS 处理是一个关键环节：BasicNewsRecipe 提供了 no_stylesheets 开关（默认 False）来按需禁用样式表处理，专门应对"样式过于复杂、不适合转换"的网站；remove_javascript（默认 True）则负责剥离干扰排版与抓取的脚本。这两个开关直接体现了电子书转换与普通网页浏览的差异——电子书需要的是干净、自包含、可重排的内容，而非依赖外部脚本与复杂样式的交互页面。

内容输出层：LRF 与转换体系

LRF The e-book format that is read by the SONY e-book readers.

LRF 是索尼（SONY）电子书阅读器读取的电子书格式。这是术语表中唯一一个以"设备绑定"方式定义的格式，属于历史语境下的格式。calibre 的价值正在于横跨格式边界：它内置了完整的转换引擎（见 manual/conversion.rst），支持在 LRF、EPUB、MOBI、AZW3、PDF 等格式之间互转。理解 LRF 词条，实际是在提醒读者：calibre 是"格式中立"的管理器，任何设备专属格式都只是转换目标之一，藏书应优先保存为开放格式以便长期迁移。

扩展层：API

API (Application Programming Interface) is a source code interface that a library provides to support requests for services to be made of it by computer programs.

API（应用程序编程接口） 是库为支持计算机程序向其发起服务请求而提供的源代码接口。在 calibre 中，API 体现在多个层次：

• 配方 API：BasicNewsRecipe 本身就是一个面向开发者的公开 API，news_recipe.rst 即其 API 参考文档；
• 插件 API：calibre 允许通过插件扩展 GUI 与转换能力，规范见 manual/creating_plugins.rst，仓库 manual/plugin_examples 目录提供了可直接参考的插件示例代码；
• 数据库与编程接口：calibredb 命令行工具及 manual/db_api.rst 面向图书数据库的编程访问，manual/develop.rst 则面向希望参与 calibre 自身开发的读者。

术语表的 API 定义虽然简短，但它标注了理解整个项目扩展机制的入口。

寻址与匹配：URL 与 regexp

URL (Uniform Resource Locator) for example: http://example.com

URL（统一资源定位符） 是资源的网络定位方式，例如 http://example.com。在 calibre 的语境中，URL 无处不在：recipe 通过 feeds 列表中的 URL 定位新闻源，BasicNewsRecipe 的下载引擎基于 URL 进行抓取与递归（recursions 属性控制跟随链接的层级），calibre.web 模块还提供了 get_download_filename(url, ...) 之类的工具函数用于从 URL/响应头推断下载文件名。URL 是"从网络到电子书"流程的起点。

Regular expressions provide a concise and flexible means for identifying strings of text of interest, such as particular characters, words, or patterns of characters. See the tutorial for an introduction to regular expressions.

正则表达式（regexp） 提供了一种简洁而灵活的手段，用于识别感兴趣的文本串——特定的字符、单词或字符模式。它是 calibre 中贯穿"清洗与加工"环节的核心工具。术语表将其指向 manual/regexp.rst，这份教程系统讲解了正则表达式在 calibre 各功能中的用途：转换选项中的"Search & replace"、导入设置中从文件名识别元数据、批量编辑图书元数据、书内编辑器（ebook-edit）的查找替换、书列表搜索以及电子书阅读器（ebook-viewer）内搜索。

正则表达式在配方编写中也大量出现。仍以 hackernews.recipe 为例，它使用 re.compile 定义了 HN_URL_RE、HN_COMMENTS_URL_RE 等模式，配合 articles_are_obfuscated = True 和自定义的 get_obfuscated_article 逻辑，从加密混淆的文章内容中提取真实链接——这正是"recipe 本质上是一段任意复杂的 Python 代码"的生动注脚，也印证了术语表对 regexp "简洁而灵活"的定位。

结语：从九个术语到整个项目地图

manual/glossary.rst 用九个词条浓缩了 calibre 的技术全貌：RSS/ATOM 是内容的输入通道，recipe 是把通道转化为电子书的 Python 编程模型，HTML/CSS 是内容的存在形态，LRF 是目标格式之一，URL 是资源定位方式，regexp 是内容清洗利器，API 是扩展能力的接口。每个词条背后都挂着对应的源码模块与进阶文档：

• recipe 与 RSS → news.py、news_recipe.rst、news.rst、recipes 配方库
• regexp → 正则表达式教程
• API → 插件开发指南、数据库 API
• 格式与转换 → conversion.rst

当你再遇到 calibre 文档中的陌生概念时，先回到这份术语表确认它在"获取 → 加工 → 转换 → 扩展"链条中的位置，再顺着对应的链接深入源码，就能在最短时间内建立起对该概念的系统性理解。