图书数字化专题

二、对象、文献类型与数字化层次

图书数字化的对象覆盖一切具有知识与文化价值的图书类文献：从载体看包括普通印刷图书、线装古籍、善本珍本、手稿抄本、拓片舆图、画册图录、报纸、期刊合订本、学位论文、地方志、家谱等；从年代看既有当代出版物，也有民国文献、明清刻本乃至宋元旧椠。对象的差异直接决定设备、工艺与质量要求，因此必须因类施策，不能一套参数跑所有书。

四个数字化层次

四个层次是递进而非互斥的关系：通常先做图像级保证内容保全，再推进文本化与知识化；也可按价值分层规划——普通图书以文本级为目标，珍贵文献重点保障图像保真，特色专题资源向知识级延伸。

层次选择的六个决策因素

• 文献价值：珍稀性、学术价值、使用频率高的宜取更深层次；
• 利用需求：以版本展示、原件替代阅读为主，图像级即可；需引用、复制、检索文本则必须文本级；
• 经费与时间：层次越深，单位成本越高、工期越长，须在预算内取舍；
• 文献形态：手稿、碑帖、特殊字体识别困难，可止步图像级并辅以人工著录；
• 技术条件：OCR 对该字体版式的适用性，决定文本化的可行性与成本；
• 长期目标：规划特色知识库或参与数字人文项目，宜一步到位避免二次返工。

并非所有图书都要做全文识别。普通现代图书通常做文本级以满足全文检索；古籍珍本以高质量图像为主、选择性识别；手稿与特殊字体文献以图像保真为主。“按价值与需求分类决策”比“一刀切全上 OCR”更专业，也更省钱。

成果形态是一个整体

一个完整项目的成果包括：数字图像（内容本体）、全文文本（图像的派生）、元数据与书目数据（对象描述）、结构数据（卷篇章节的框架）、知识组织成果（主题词表、实体标注、关联关系）、以及承载它们的检索与服务系统。它们之间存在严格的关联关系，验收时应作为整体交付，防止“有图无文”“有数据无系统”的碎片化。

四、扫描技术与设备选型

设备选型的第一原则是对象决定设备：先摸清文献形态（散页、平装、精装、线装、脆弱纸张）、开本与价值，再定机型与工艺。普通现代图书追求效率与成本，古籍善本追求保真与安全，两者对设备的要求几乎相反。

按文献类型选型

关键参数参考

参数不是越高越好，每一项提升都有代价：分辨率提高 → 小字更清晰，但文件增大、处理变慢；位深提高 → 层次更丰富，但体积翻倍；自动进纸 → 效率高，但不适用于装订与脆化纸张。选型时还应看工作分辨率下的实际成像与实际工作参数下的速度，不要被“插值分辨率”“极限速度”迷惑。

拆订与否是项目中最容易产生争议的决定。拆订效率高、图像平整，但不可逆；有副本、装订无特殊价值的平装书可拆，拆前拍照留存装订形态、拆后按序码放并标注册次页码。古籍、孤本、精装与具有装订史料价值的文献，一律不拆不压。

扫描作业还要守住几条底线：样张先行（每批次先试扫数页并确认参数）、过程抽查（防漏扫、防倒页、防卡纸）、页序连续（双面正反页不得遗漏）、归库核对（册数页码与原书一致，装帧还原）。

六、OCR 与文本化

OCR 的任务是把图像中的文字转化为可编辑、可检索的文本。它决定了“文本级数字化”的成败，也决定了全文检索、复制引用与内容挖掘能否真正落地。流程为：图像预处理 → 版面分析 → 字符切分与识别 → 后处理 → 人工校对。

中文与复杂版面的难点

• 版面复杂：分栏、图文混排、表格、脚注、边注，需先判版面再识别，否则文字串行；
• 字体多样：宋体、仿宋、楷体、手写、繁体、异体字并存，通用引擎易系统性误识；
• 生僻字：人名地名用字超出常用字库，出现空缺或错字；
• 原件质量：民国文献酸化发脆、油墨扩散、字迹模糊，识别率显著下降；
• 古籍竖排：竖排右起、双行小注、无标点，需专门的版面模型与后处理规则。

准确率要分层度量

只谈“识别率 99%”没有意义。必须问清：是字符级还是整页级？样本从哪来、是随机抽取还是挑好的页？是否含表格、公式、生僻字页？合同应写明指标口径、抽样方法与合格线，否则验收时各说各话。

后处理的常见动作：断行合并（自然段重组）、栏序还原、标点全半角统一、常见形近字纠正、低置信度字符高亮待校对、段落层级还原。人工校对仍是高准确率的最后保障——校对人员应对照图像逐页核对，而不是只读文本“凭语感改错”，后者最容易漏掉专名与数字错误。

八、文件格式与存储管理

格式选择的核心是母版与衍生版分离：母版用于长期保存与再加工，要求无损、开放、高位深；衍生版用于发布与阅读，可以有损压缩、追求体积与兼容性。两者在目录、命名与元数据中必须明确区分，禁止混放，禁止从衍生版反向生成母版。

保存级格式取向

四层存储架构

命名与目录是最不起眼、却最容易拖垮项目的一环。规范做法：以“项目—批次—册号—页码”构成唯一路径，禁用特殊字符与空格，中文与拼音不混用，页码位数补齐（如 0001），并配套文件清单。这样即使脱离数据库，文件本身仍可被辨认与排序。

存储不是买块硬盘那么简单。真正的事故多来自“误删除、误覆盖、勒索加密、介质静默损坏、格式过时、管理混乱”六类原因，其中前两类占比最高——而它们的解药是版本保留、权限管控与离线副本，不是更大的容量。

十、质量管控与验收

图书数字化的质量管理靠“三道防线”：工序自检（操作者按规范自查）、环节检验（上下工序交接复核，独立于加工岗位）、成品验收（抽样与全量校验结合）。检验标准必须开工前公开，而不是验收时临时公布。

图像质量指标

三级验收

缺陷分级与处理导向

抽样方案要“有依据”：按批量大小确定样本量，随机抽取（不挑页、不挑册），并对高价值文献做全检。判定规则应事先写明——例如“严重缺陷 0 容忍，一般缺陷率超过 3% 则该批返工”，避免验收现场凭感觉争论。

验收文档至少包括：交付清单、质量检验记录、验收报告、技术与规范文档、项目总结。质量记录要能追溯到批次、册号、工序、人员、参数，这是返工定位与责任划分的唯一依据。