纸质记忆的孤岛

纸质书和扫描文档有一个共同的特性：它们被锁定在不可搜索的格式里。你可以翻阅它们，但你无法用关键词定位某一段话。你可以引用它们，但引用过程是手动的、容易出错的。

OCR 承诺打破这个孤岛。但廉价的 OCR 只是把图片变成文本——不保证准确性，不保证可读性，不保证后续可用性。

结果是：你花了很多时间做 OCR，得到的却是一堆需要大量人工校对的半成品。校对的时间可能比直接手打还长。

问题的核心不是"能不能识别"。问题是"识别结果的质量是否足以支撑后续的使用"——搜索、引用、归档、发布。

设计目标：可检索性，不是单纯的数字化

这个框架不追求"把每页纸都变成文本"。它追求"让有价值的纸质内容进入可检索、可引用、可归档的长期系统"。

评估围绕四个维度展开：

可读性 — 识别结果是否保留了原文的段落结构？行断是否合理？标题和正文是否区分清楚？

错误率 — 中文 OCR 的常见错误有哪些？形近字混淆？标点错位？CJK 空格问题？这些错误是否影响了理解？

版面保持 — 文档的层次结构（章节、段落、引文、注释）是否在文本中得以体现？还是变成了一整块无差别的文字流？

可引用性 — 识别结果能否被引用？页码是否可追溯？来源信息是否完整？能否生成标准的引用格式？

从扫描到可用文本

流程分为几个阶段，每个阶段都有明确的质量检查点：

• OCR 识别 — 选择合适的引擎，针对中文扫描文档进行优化。不是越新越好，而是在特定场景下最稳定可靠。
• 清洗与格式化 — 处理 CJK 空格、标点规范、段落重组。把 OCR 的原始输出变成人类可读的 Markdown。
• 质量抽检 — 不是逐页校对，而是抽样检查。识别错误类型，记录高频问题，判断是否需要更换引擎或调整预处理流程。
• 可引用性检查 — 确认页码、章节结构、来源信息是否完整。文本不仅要可读，还要能被追溯到原始文档。
• 格式转换 — 根据用途输出不同格式。Markdown 用于个人笔记，HTML 用于发布，纯文本用于索引。

人决定哪些文本值得数字化

OCR 可以批量处理，但你不能批量决定。每份文档是否值得进入长期档案，需要人的判断。

有些文本只是临时参考，OCR 识别后看完即可丢弃。有些文本是核心资料，即使识别质量不完美也值得保留并人工校对。有些文本涉及版权或隐私，不适合任何形式的数字化。

脚本负责技术执行。你负责价值判断。什么值得保存、什么需要校对、什么必须止步——这些决定不能外包给自动化流程。

产出：可搜索的纸质记忆

最终的产物不是一堆 OCR 文本文件。而是一个可搜索、可引用、可归档的知识层。

你的旧书不再是被锁在图片里的孤岛。它们进入了你的个人知识系统——可以被关键词检索，可以被笔记引用，可以被重新组织成新的叙事。

更重要的是，这个产出的质量是已知的。你知道每份文档的识别置信度，你知道哪些部分需要人工校对，你知道哪些来源是可靠的。这种已知的不完美比虚假的完整更有价值。