calibre-book-screening

name	calibre-book-screening
description	Use when screening or reviewing Calibre books for library quality, especially to identify non-Chinese books, adult content, Japanese manga or light novels, spammy metadata, low-quality publishers, or missing metadata. Covers review rules, output categories, and the bundled screening script.

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

1. 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": [...], ...}, ...}

2. 运行筛选脚本：

python skills/tooling/calibre-book-screening/scripts/screen.py \
  --input books.json \
  --output /tmp/calibre-screening-report.md

3. 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: [e-mail]（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