古籍识别的三座大山
行文方向:竖排从右往左,通用 OCR 按横排从左到右切,一切全乱。字形:繁体字结构复杂(龜、鬱这种),加上历代异体字、通假字,训练数据稀少。版面:古籍无标点、有批注夹注、纸张泛黄有蛀洞,背景干扰极大。
这三样叠加,通用 OCR 的识别率可能不到三成——出来的不是文字,是行为艺术。
可用的专业路径
支持竖排繁体的商业 OCR:部分国产 OCR 工具提供「竖排/古籍」识别模式,对清晰的近现代繁体竖排书(民国出版物)效果尚可。
学术平台:高校和研究机构有古籍识别开放平台(如「如是古籍」类项目),针对刻本字形专门训练,识别率明显更高。手工平台兜底:识别+众包校对的项目(如中华书局的古籍整理平台),机器打底、人工收尾,是严肃古籍电子化的行业标准流程。
自己动手的预处理
扫描质量拉满:600dpi 起步,灰度模式,泛黄纸张用「去底色」处理,字和纸的反差越大越好。
分栏裁切:古籍一页常有两栏,把每栏单独裁出来再识别,比整页识别准。竖排页也可以旋转 90 度当横排喂给引擎——部分场景下歪打正着,值得一试。
现实的期望管理
古籍 OCR 的业界共识:清晰刻本能到九成,手写稿本看字迹,虫蛀残卷听天由命。任何「一键识别古籍」的宣传都别信。
合理的工作流永远是:扫描 → 机器粗识 → 人工校对。机器省的是「录入」的力气,省不掉「校对」的眼睛——把 OCR 当助手,它很称职;当替身,它会闯祸。
做古籍数字化的一整套流程
正经做古籍数字化,流程是扫描、图像整备、识别、人工校勘、编目五步,识别只占其中一环。扫描先定规矩:300dpi 起步、彩色模式保留纸张信息、原大不缩放,每册书首页拍一张色卡,后期调色有据可依。宁可慢,不可返工。脆化严重的册子别上自动进纸,一页页手工放,书脊别压平,用 V 形书托或毛巾垫着扫,保护原物永远排在效率前面。扫描前戴棉手套或者洗净手,古籍纸张吸油,一个指纹留上去就是永久损伤。
图像整备包括裁边、纠偏、去装订孔、分割左右页。筒子页展开扫描后要从中间裁成两页,页序容易乱,裁完立刻按页码核对一遍。2345看图王的批量旋转和裁剪能处理这步,先在一页上调好参数,确认无误再整批套用。套用前先想清楚方向:筒子页右页在前左页在后,裁反了页序全倒,返工一次就知道先试三页、确认顺序再跑全批有多重要。裁切线宁偏装订侧别偏字侧,字裁掉一笔,这页的信息就永久缺了一角。
识别环节按字体分流:刻本宋体字识别率尚可,写刻体、行草序跋基本要人工誊录。可以先用识别引擎跑一遍当草稿,哪怕只有六成准确率,校勘时改字也比从头打字快。人名、地名、异体字建个对照表,边校边积累,越校越顺。遇到整页识别率惨不忍睹的先别扔,把对比度拉高、转灰度再试一次,有时纸张发黄被压掉之后,字迹能从背景里浮出来。朱笔批注和红色印章转灰度后会变浅,这类页面单独留彩色版,别一刀切。
校勘完成后编目归档:每册书存 TIFF 原图、PDF 读本、TXT 文本三份,命名带书名、卷次、页码。文本里识别不出的字用方框占位并标注存疑,方便日后有条件时补校。这套流程做下来慢是慢,但成果能长期复用,值得。三份文件分两处存放,本地一份、移动硬盘或网盘一份,古籍数字化的成果攒起来以年计,一次硬盘故障全丢的故事听得太多了。每完成一册就在总目录登记进度,书名、册数、状态一列清,摊子铺再大也不乱。
古籍数字化是个耐心活,整套流程走下来一步都省不了。第一步采集,扫描仪开到 600dpi 灰度模式,书页脆就别硬压平板,用 V 型支架或者俯拍架,两张一版的对页分开存,命名带卷次页码。第二步图像处理,泛黄底色提亮、栏线不裁、虫蛀缺损的位置原样保留,别美化过度丢了版本信息。第三步识别,普通横排简体引擎碰到竖排繁体直接歇菜,要换支持竖排和繁体的专业引擎,异体字、通假字机器只能猜个大概。第四步人工校对,这是重头,对照原页逐字过,认不出的字留着标记别瞎填。第五步存档,识别文本和原图同名配对存,校对稿和初识稿分开版本,日后查得出哪处是人工改过的。