技能介绍

先看清问题

扫描版 PDF 转 EPUB，很多人以为"跑个 OCR"就完事了。真正的坑在于：扫描书没有文字层，普通 OCR 会把整页拍平成一坨纯文本，段落边界和注释结构全丢。扫描书靠"首行缩进 2 字符"区分段落，不靠行距；纯文本 OCR 丢掉每行的 x/y 坐标后，你就无法分辨"同一段的续行"和"下一段的首行"，结果要么每句被切成独立段落，要么好几段被并成一段。此外，圈号注释（①②③）会混在正文里，系统性 OCR 错字（如"进入"识成"进人"）也会一路带进最终产物。

这套做法怎么落地

核心思路是：一开始就用带 bbox 的 OCR，别走纯文本的弯路。工作流分几个阶段：

判定 PDF 类型：用 PyMuPDF 打开，检查 get_text() 长度。为 0 走全流程带坐标 OCR；不为 0 说明已有文字层，直接普通转换即可。
带坐标 OCR（断点续跑）：脚本把每页识别成 page_XXXX.json，每行含 {t, x1, y1, x2, y2, s}，页内按 (y1, x1) 排序。300+ 页一次跑完容易超时，所以按 JSON 是否已存在来跳过，配合 --start/--end/--limit 分批，中断后重跑自动续上。
定阈值：只看 2~3 页，观察续行和段首行的 x1 位置差异来定缩进阈值（如 INDENT=40），再取相邻行 gap 的中间值定段间阈值（如 GAP_THR=70）。跨页只用缩进判段，别用 gap——换页后 y 坐标从顶部重算，gap 天然很大，会误判成段界。
章节切分：用章号 token 做前缀匹配定位每章起点，副标题不参与匹配，这样即便副标题被 OCR 识错字、破折号识别成不同符号、或标题被拆成两段，都能稳定定位。
去噪：每页的页眉页脚（书名、英文书名）会被 OCR 成独立文本框，混进正文。脚本在段落重建前按文本框剥离，避免全书混入几百处书名噪声。

脚注与错字

注释会被抽离成章末脚注区，正文残留的圈号按顺序链接过去。错字校正用精确词对字典而非通配——因为"人/入"混淆（进入→进人、陷入→陷人）虽是系统性错误，但通配会误伤合法词如"引人""招人""纳人"。所以只做精确双字词替换，如 {'进人':'进入', ...}。所有文本经统一校正函数输出，确保导航和正文都不会残留错字。