2.3 KiB
扫描 PDF → EPUB：后续大版本
2026-10-28 已开始独立模块首版，见 PDF_IMPORT.md。首版优先轻量方案和横排单栏；以下困难版式仍属后续范围。目标是把旧中文书的扫描 PDF 转成可重排、可搜索、可点击目录的 EPUB，同时保留原书中有阅读意义的结构与图文关系。
输入与评测样本
先收集少量代表样本：纯文字、竖排／繁体、双栏、跨页脚注、目录、表格、示意图、照片，以及歪斜和低清扫描。再盘点用户本地已部署的 OCR，用相同页面比较文字准确度、阅读顺序、版面坐标、图表识别、速度和资源占用。届时根据实际部署与测试结果选择模型，保留可替换的 OCR 接口。
中间结构
OCR 输出不能直接拼成 HTML。建立带页面来源、坐标、阅读顺序与置信度的版面中间表示，区分正文段落、章号、主标题、副标题、页眉页脚、脚注／尾注、表格、图片、图注。识别跨页段落合并与断词，保留人工修正记录，以便重复 OCR 时复用。
图文与样式
从原 PDF 页面或扫描图按区域提取图片、示意图，保留分辨率、裁切来源和对应图注，作为 EPUB 独立资源嵌入。表格优先转为语义表格；复杂或低置信度图表保留原图。可重排 EPUB 保留标题层级、强调、段落、引用和图文关系；精确页面位置有意义的材料另外评估固定版式 EPUB，不能要求同一个可重排版本在每种屏幕上保持 PDF 的坐标。
目录和注释
把目录条目、章标题、页码映射到中间结构的稳定 ID，采用本项目的“目标锚点 → 标题”映射生成 NAV、NCX 和书内目录。原 PDF 页码用作来源追踪，不直接充当 EPUB 页码。脚注建立正文引用、注释内容及返回链接；低置信度匹配进入待审核队列。
QA 闭环与验收
对同一段原扫描、OCR 中间结果和 EPUB 阅读器截图进行对照。验证阅读顺序、图片／图注归属、标题层级、目录点击、注释双向跳转、字体与中文缩进。每次修复保留样例和回归用例；把文字识别质量、结构正确性与视觉版式分别报告。先完成一小本代表书的端到端试验，再扩展到批量转换。