PG电子(中国)官方网站-PG引领电子科技

　　为了方便地保存与分享书籍，我们往往需要将纸质书电子化，而最常见的方式则是通过扫描将其保存为数字世界的纸张——PDF。选择合适的扫描工具与方法，可以提高 PDF 的扫描质量。此外，与直接得到的原版 PDF 相比，扫描版 PDF 一般没有书签，页码往往也不正确，需要进行调整。为了提高处理扫描版书籍的效率，得到一本「功能完备」的 PDF 书籍，下面分享一些我的技巧。

　　尽管有专门的扫描仪器用于扫描文件，但为了扫描书籍，手机基本上就足够了。市面上已有很多扫描 App 可供选择，比如 iOS 系统自带的备忘录、白描Microsoft LensScanner Pro等。

　　在 iOS 上，我选择了完全免费的vFlat Scan（也有Android版本），主要是因为它有一些专门为扫描书籍而设计的功能，包括：

　　值得一提的是，vFlat Scan 的「双页捕获」功能在扫描书籍时非常实用，能够有效减少扫描的工作量。当然，如果某些场景 vFlat Scan 识别双页不准确，你也可以关闭这个功能，在后期处理时使用 MuPDF 或 Briss 分割扫描得到的 PDF。

　　除了选择趁手的软件外，扫描书籍的物理环境也很重要，推荐观看这几个非常专业的扫描书籍的视频教程。值得一提的是，光线对于扫描书籍来说非常重要，既要保证光线充足，又要考虑光线的角度以避免不必要的阴影，在尝试了很多方案之后，我发现「屏幕挂灯」较好地满足了这个需求，因为它特殊的照明角度，不会造成反光或阴影。

　　由于各种原因，扫描过程中难免会产生一些噪点甚至黑边，虽然这些细节「无伤大雅」，但对于我这样的强迫症来说，是无法忍受的。如果有这种情况，我一般会使用PDF Expert隐藏工具将其移除，具体使用方式见下图。

　　「使用手机扫描」之后，纸质书电子化就完成了第一步。很多情况下到这一步就可以了，但是为了让电子版书籍更加完善，还需要进行进一步的处理。而为了搜索 PDF 中的内容，或阅读时进行批注，首先就要识别其中的文字，即OCR（光学字符识别）。扫描得到的 PDF 文件实际上是一系列图片，而 OCR 则是在其上层增加一层文字图层，已有很多工具可以对 PDF 进行 OCR，我主要使用Adobe AcrobatDEVONthink。

　　Adobe 作为PDF标准的创立者，旗下的 Acrobat 自然也是最 versatile 的 PDF 软件，缺点就是界面太丑且价格很贵。但如果你订阅了 Adobe，那么可以使用它对 PDF 进行 OCR，效果几乎可以说是无出其右。如下图所示，在 Acrobat 中打开一个扫描版 PDF，点击右侧的「Scan & OCR」，然后在上方点击「识别文字」，选择语言，确认之后，Acrobat 就会自动开始 OCR。

　　另外值得一提的是，在 Apple Silicon Mac 上，macOS 自带的预览（Preview）可以像识别图片中的实况文本那样，识别扫描版 PDF 中的文本，iOS 自带的「文件 App」也有类似的功能1。在轻量使用的场景下，比如从 PDF 中复制一些文字，这个功能非常实用，而不需要对整个 PDF 全部 OCR。

　　PDF 书签（bookmark）是指导航窗格的书签面板中的超链接文本，对应着不同的页码，一般也叫作「目录」或「大纲」。

　　PDF 书籍动辄几百页，为其添加书签有助于在不同章节之间方便地跳转，让扫描后的 PDF 更加「电子化」。为 PDF 添加书签，看上去是一项略显复杂但又很常见的需求，有不少网友提供了自己的解决方案，其中就包括派友的分享。针对为书籍 PDF 增加书签这个需求，我的解决方案是使用命令行工具PDFtk。

　　制作 PDF 书签前，需要提供书签信息，即章节名称和对应的页码，以供 PDFtk 读取并写入 PDF 文件中。好消息是书籍的目录标题一般都很容易获取，不需要自己手动编辑，一般来说，豆瓣、Amazon 或出版社官网页的书籍介绍页都会提供目录，我们只需要复制它，然后将其保存为heading.txt。

　　PDF 书签和 Markdown 中的标题一样，也是有层级的，比如在《遏制民族主义》这本书中，第一章 民族主义的困惑是一级标题，民族主义的界定则是二级标题。为了对不同的标题层级进行区分，我们借用 Markdown 的语法，将其改写为：

　　# 出版说明 # 目录 # 第一章 民族主义的困惑 ## 民族主义的界定 ## 治理单元 ## 民族 ## 民族的突出特征 ## 民族主义的类型 # 第二章 民族主义的起因 ## 群体的形成 ## 群体团结的决定因素 ## 为何民族主义是现代的事物 ## 谁是民族主义者 ## 什么制度才能遏制民族主义？ # 第三章 间接统治与民族主义的缺失 ## 间接统治的兴起：原始国家形成理论 ## 欧洲历史上的间接统治 ## 欧洲殖民地的间接统治 ## 结论 # 第四章 国家建设民族主义 ## 直接统治的兴起 ## 直接统治的影响 ## 直接统治与国家建设民族主义 ## 结论 ……

　　为了提高效率，上述操作可以借用正则表达式进行批量查找替换，或者在iA WriterTypora中使用快捷键操作。

　　尽管豆瓣等网站提供了书籍的目录，但一般没有提供对应的页码，需要单独制作。这一步我们将目光转向扫描版 PDF 书籍中已有的目录，通过 OCR 将目录页码提取出来，可以参考下图使用Clean Shot XOCR 页码的示例。

　　按照如上方式将页码全部提取出来，并保存为pagenumber.txt。对于其中的空行，不必一个个手动移除，之后会在命令行中批量移除。

　　需要注意的是，通过 OCR 得到的页码是书籍页眉或页脚中注明的页码，并非 PDF 文件中的真实页码，这是由于书籍的第 1 页通常是从正文第一页开始计算的，在正文之前还有序言、致谢、目录等部分，而 PDF 的页码则总是从第 1 页开始计算的。在《遏制民族主义》这本书中，从 PDF 第 1 页开始计算，正文第 1 页实际上位于第 10 页，前面的 9 页是前言部分。

　　由于 PDF 书签的页码总是从第 1 页开始计算的，因此，通过 OCR 得到的每一个页码都需要加上 9。如果需要对正文之前的部分制作书签，可以在pagenumber.txt中手动输入对应页码减去前言部分的页码数。对于《遏制民族主义》这本书来说，「出版说明」和「目录」分别在第 4 和 7 页，减去 9 后分别是 -5 和 -2。下面的例子中，第一列数字是我们 OCR 和手动编辑后的结果，第二列数字是它们在 PDF 中对应的页码：

　　上面这行命令，首先使用cat命令读取pagenumber.txt的内容，然后使用awk NF移除其中所有的空行，再将每行的数字加上 9（这个数字需要根据正文之前的页数确定），输出为realpage.text。

　　paste命令的作用是将文件逐行合并在一起，默认使用 Tab 键分隔两个文件中的内容，因此得到如下的结果：

　　# 出版说明 4 # 目录 7 # 第一章 民族主义的困惑 10 ## 民族主义的界定 14 ## 治理单元 18 ## 民族 19 ## 民族的突出特征 22 ## 民族主义的类型 24 # 第二章 民族主义的起因 32 ## 群体的形成 33 ## 群体团结的决定因素 35 ## 为何民族主义是现代的事物 38 ## 谁是民族主义者 42 ## 什么制度才能遏制民族主义？ 45 # 第三章 间接统治与民族主义的缺失 52 ## 间接统治的兴起：原始国家形成理论 54 ## 欧洲历史上的间接统治 61 ## 欧洲殖民地的间接统治 66 ## 结论 69 # 第四章 国家建设民族主义 77 ## 直接统治的兴起 78 ## 直接统治的影响 80 ## 直接统治与国家建设民族主义 83 ## 结论 88 ……

　　使用 PDFtk 导出一个带有书签的 PDF 文件的元数据信息，保存为test.text：

　　了解了 PDF 书签的构成方式，我们就可以使用 Perl 结合正则表达式，在命令行中将之前得到bookmark.text转换为同样的格式：

　　做好以上准备工作，下面就可以将bookmark.text写入 PDF 中。但是在进行这一步之前，如果该 PDF 本身就有书签信息，需要先将其移除。

　　分步执行以上各个步骤略显麻烦，可以将这些命令集中在一起，写在一个 Makefile 中：

　　使用 DEVONthink 或Zotero提取 PDF 中的批注时，会有相应的页码，而我在写论文引用该页的时候，想要看到的是页眉或页脚中的页码，而不是 PDF 中的页码。而前文已提到，书籍页眉或页脚中的页码与 PDF 中的页码并不一致，因此，需要对 PDF 的页码进行调整，使其与书籍页眉或页脚中的页码保持一致。一般来说，书籍的前言部分页码标签为罗马数字，正文开始使用阿拉伯数字，而正是这个原因，导致 PDF 的页码与书籍页眉或页脚中的页码不一致。因此，调整 PDF 页码就是调整对应的页码标签。

　　在 Adobe Acrobat 中，打开需要调整页码的 PDF，在左侧缩略图中选中页面，点击右键选择「Page Labels…」，然后在出现的「Page Numbering」窗口中进行调整，包括需要更改的页码范围、页码前缀、起始页码等，其中 Style 一栏包括 6 个选项：

　　考虑到 Adobe Acrobat 需要付费使用，且体验不是太好，这里提供另外一种调整页码的方式——直接编辑 PDF 源文件。

　　为了直接在文本编辑器中编辑 PDF，我们首先使用 PDFtk 对 PDF 进行解压缩：

　　得到解压缩的 PDF 文件uncompress.pdf之后，就可以用文本编辑器如VS Code打开并编辑它。但考虑到扫描版 PDF 一般都很大，动辄几十甚至几百 MB，有百万行之多，用大多数文本编辑器打开都会卡顿，于是我们使用「编辑器之神」Vim来打开并编辑 PDF。

　　由于 PDF 的页码标签开头有一个独特字符Catalog，因此可以在终端中输入vim +/Catalog uncompress.pdf，就会在打开后将光标自动定位到Catalog所在的那一行。

　　接下来点击j移动光标到下一行，再点击o在下方插入一个空行并进入 Insert Mode，然后粘贴设置页码的文本，例如：

　　打开压缩之后得到的output.pdf，可以看到，页码显示效果与预期一致，修改成功。

　　在本文中，我分享了将纸质书籍扫描成 PDF 并对其进行 OCR、添加书签、调整页码等步骤，基本实现了纸质书的「电子化」。当然，其中的部分操作不仅限于扫描版 PDF，对于一般的 PDF 文PG引领电子科技件也是适用的。如果完成上述操作之后，PDF 的体积变得非常大，你可以选择将它压缩一下，然后就可以愉快地阅读与分享电子版 PDF 书籍了。

　　前段时间 Z-Library被美国政府封禁，很多人无法再从上面下载电子书了。尽管 Z-Library 面临不少争议，但它和Sci-Hub一样，实实在在降低了大多数人获取知识的门槛，让亚非拉地区的学生也能下载到动辄几百美元的教材，让身处中国大陆的人轻松读到南美文学，甚至让独立研究成为可能。

　　如果你恰好有一本稀缺甚至绝版的纸质书，不妨按照本文分享的方法，把它扫描成 PDF 分享在互联网上，说不定地球上某个角落的人正在焦急地寻找这本书呢。促进知识的开放，需要我们每个人做出自己微小的贡献。试想，没有其他人的上传，Z-Library 怎么可能会有如此丰富的书籍呢？这也是我写这篇文章的最初动机：发挥去中心化的力量，缩小获取知识的鸿沟，促进知识的开放。

　　 少数派请你做地图：城市声音收藏夹火热征集中，期待你创作的城市之声