OCR 电子书之我见

在《光学字符识别？也学点新的》一文中，我提到了使用 Gemini CLI 自动化处理 OCR 任务的方法。那时候还有 Gemini CLI（现在我用 Antigravity），那时候还没有 Skill（我把工作流写在系统提示词里）。虽然处理结果不尽如人意，但也是一番心意。

之后，我在小红书评论区的指引下走了 PaddleOCR 之类专业的弯路。效果令人满意，但跨页衔接是个问题，校对起来还是很繁琐，而这些事情理应全自动执行。

最近 Gemini 接连推出了好几个 Flash 模型，可以重启这个全自动 OCR 项目了，直接写成一个 Skill：pdf-book-ocr。

文中使用模型均为 Gemini 3.8 Flash，使用 Agent 均为 Antigravity。

PDF -> EPUB

输入是原始 PDF，输出是规范排版的 EPUB。

和之前的翻译器 TransLit 一样，我需要一个好的成品，但完全不需要保持最初的排版。

工作流很自然，重要的几步大致是这样：

1. 切分 PDF；
2. 子 Agent 分批并行 OCR；
3. 合并内容；
4. Markdown 转 EPUB。

还有一些处理细节，可能不太值得详细写，比如：

• 数字版 PDF 不同于扫描版 PDF 的处理流程；
• 处理电子书标题层级——在分派子 Agent 前限定大标题，在转 EPUB 之前检查全部标题层级；
• 删除版权信息等页面——反正 PDF 主要是盗版。

附上 Agent 绘制的流程图，以供参考：

[原始 PDF 图书]
       │
       ▼ (Step 1: 预处理、切片规划与全局目录提取)
 digitize_book.py ──> 提取封面与物理切片
       │              主 Agent 审视卷首切片提炼《全书大章白名单》
       ▼
 [Gate 1 门禁] ──────> 确认清单条目有效 + 大章白名单已提取
       │
       ▼ (Step 2: Subagent 批次滚动转写)
 invoke_subagent ───> 注入【全书大章白名单】，防局部视界导致的小节升格
       │              逐片落盘 raw_md/*.md
       ▼
 [Gate 2 门禁] ──────> 确认切片 100% 完整落盘且 > 100B
       │
       ▼ (Step 3: 汇编与目录审查门禁)
 digitize_book.py --preview-toc (可选快速预检)
 digitize_book.py --assemble
       ├── seam_auditor: 跨切片接缝平滑焊接 (12 MERGE / 11 SPLIT)
       ├── toc_manifest: 导出章节拟案，高亮微短章与英文单词孤岛
       │   └── [Gate 3 门禁]: 主 Agent 对照大章白名单，核验无碎片短章后再放行
       ├── chapter_assembler: 依真实大章聚合，隔离脚注命名空间
       └── epub_builder: Pandoc 编译 EPUB 3 + 注入双向弹框注释
       │
       ▼ (Step 4: 出厂验收)
《书名》.epub + 《书名》.md + images/ (生成至输出工作目录)

插图的处理方式

之前在 Google AI Studio 窗口做 OCR，自是只能处理小说之类的“字书”。Paddle OCR 等工具倒是可以理解排版，保存截图到合适的位置。

用上 Agent 之后，就有了更好的处理思路。

在子 Agent 做 OCR 的同时，遇到插图就会记录类似于这样的标记：

<!-- FIGURE: page=3 bbox=[150, 80, 520, 920] -->
![马孔多全景手绘图](images/part_01_fig_01.png)

其中包括插图的页码、位置（上下左右坐标）、图题以及占位用的文件名。

当全部子 Agent 转写完毕之后，调用脚本在 PDF 中相应位置截图并保存。

这个脚本还有一点数字图像处理的思路，AI 说这叫 投影轮廓吸附（Projection Profile Snapping）——先在大模型给出的坐标基础上外扩一圈，防止图像不全；之后做边缘检测（为了不把图题截下来，还会检测图题和图像中的空白缝隙），删去白边。

结语

如果效果不满意，可以在任务完成之后和 Agent 交流改进。

有快要过期的余量的话，这个 Skill 值得一试。