《大话文渊慧典》：外二篇-洋OCR、云OCR、土OCR：我们把市面上的方案全扒了一遍，结果……

——小菜：“大胖老师，咱们测试了这么多OCR，有没有哪个是能用的？”

——大胖老师：“有。每一个都能用，前提是你得先把自己变成另一个人。”

——小菜：“什么意思？”

——大胖老师：“用洋OCR，你得把自己当成硅谷工程师；用云OCR，你得把自己当成不计成本的互联网公司；用土OCR，你得把自己当成能徒手写编译器的极客。问题是，王大姐谁也不是，她就是王大姐。”

一、一场蓄谋已久的“OCR大逃杀”

在经历了那套两万八的洋软件带来的心灵创伤之后，大胖老师做了一个决定：不凭直觉选了，也不信厂商的宣传册了。他要搞一次前无古人、后未必有来者的“OCR大逃杀”——把市面上所有可能适用于古籍的方案，全部拉出来遛一遍。

“为什么叫大逃杀？”小菜问。

“因为活到最后的，可能一个都没有。”大胖老师面无表情地说。

测试环境很简陋：一台2018年的联想办公台式机，i5-8500处理器，8G内存，集成显卡，500G机械硬盘。没有GPU，没有固态，没有水冷。大胖老师故意选了这台机器，理由是：“如果在这台机器上能跑起来，那全国的图书馆就都能跑起来。用我们实验室的顶配工作站测，那是自欺欺人。”

测试样本也很刁钻，故意挑了最难啃的骨头：一页明万历刻本（字体古拙，栏线模糊），一页清乾隆朱墨套印本（红黑双色，正文和批注混杂），一页民国石印本（字极小，墨色不均），还有一页手抄本（字迹潦草，带连笔）。大胖老师说：“能把这四页都搞定的，才配叫古籍OCR。只会认标准宋体的，请自觉退场。”

接下来，是漫长的测试、崩溃、重启、再崩溃的循环。小菜那段时间的工位上，贴满了各种OCR的报错截图，最上面用红笔写着一行大字：“珍爱生命，远离烂OCR。”

二、洋OCR：硅谷精英的傲慢与偏见

测试阵容：某美国PDF大厂、某欧洲文档处理套件、某日本扫描仪自带OCR。

大胖老师统称它们为“洋OCR三剑客”。这三家的共同点是：品牌响亮，界面精致，宣传文案里都写着“支持中文”。共同的问题也很一致：它们所理解的“中文”，和古籍里的“中文”，根本是两种语言。

美国大厂的表现前面已经详述过——把“曰”认成“日”、把竖排当横排、把注文当乱码。这里补充一个让人哭笑不得的细节：它对印章的处理。那页乾隆朱墨套印本上，盖了一方红色藏印，内容是“某某藏书”。洋OCR把这方印章当成了一块红色污渍，直接绕过了，什么都没识别。大胖老师无语：“中文世界里，印章是重要的版本信息，有时候比正文还值钱。它直接给当污渍忽略了，等于把金条当砖头扔了。”

欧洲套件的表现更离谱。它倒是认识繁体字，但处理顺序完全混乱——正文、注文、眉批，不分青红皂白全糊在一起。大胖老师测试的那页明刻本的阅读顺序是先读右栏正文，再读中间双行夹注，再回到正文，它的输出却把三处的字随机拼在一起，凑成了一段谁也看不懂的“拼贴诗”。更别提对竖排的处理了，连个方向检测都没有。小菜评价：“这不是OCR，这是一台文字搅拌机。”

日本厂商的OCR本来是这三家里最有可能接近古籍的——日语文献里也有大量竖排汉字。测试下来，它对竖排的方向判断确实比前两家强，文字块检测也能分栏。但问题是，它的训练数据以日文汉字为主，碰上中文特有的异体字（比如“説”和“說”之外的更冷僻写法），就直接投降，输出一个日文假名或者干脆空着。大胖老师形容：“好比请了一位日本汉学家来读中国方志，大部分能通，但遇上土语、俗字，他就只能礼貌地微笑摇头。”

洋OCR总结：技术底子不差，有的甚至很强，但对中国古籍的适配度为零。它们的研发团队大概率没摸过一本线装书，没看过一页竖排繁体。它们眼中的“中文支持”，就是能在横排简体上跑出不错的效果。至于竖排、异体、避讳、夹注这些概念，可能压根没出现在他们的需求文档里。大胖老师的话很犀利：“不是技术不行，是人家压根没把你当主要客户。你在这边气得拍桌子，人家在硅谷喝着咖啡迭代下一个功能——身份证识别。谁会在乎几千公里外的一本破书？”

三、云OCR：按次付费的“温柔陷阱”

测试阵容：某电商大厂云OCR、某社交大厂AI开放平台、某AI独角兽企业云服务。

相对于洋OCR的一棒子打死，云OCR的表现好得让人惊喜——至少头几页是。三家的识别准确率都在85%以上，个别页面甚至超过90%。竖排可以处理，版面分析基本准确，还能输出结构化的JSON。小菜开心得直拍桌子：“这不就有了吗！”

大胖老师冷静地泼了盆冷水：“你看看计费页面。”

然后小菜就笑不出来了。

电商大厂的计费方式最复杂：基础文字识别一个价，高精度版另一个价，版面分析单独计费，表格识别再单独计费。古籍一页下去，通常需要高精度+版面分析，综合成本约0.06元/页。这还不算调用次数——如果识别结果不理想，换个参数重新识别，再计一次费。大胖老师算了一笔账：一个县馆平均馆藏古籍2万册，每册50页，就是100万页。单次识别成本6万元。如果再加上后期校对、重扫、调整参数，乐观估计也要10万元。但这只是首轮费用——每年可能还有新的古籍被发现、被捐赠，或者之前的识别结果需要更新，这等于是一笔永远付不完的流水账。大胖老师形容：“这不是买工具，是租工具。而且租金还不封顶。”

社交大厂的计费相对简单，但有个致命问题：数据必须过他们的服务器。大胖老师翻看了用户协议，发现其中有几条写得非常暧昧，大意是“为提升服务质量，可能对上传内容进行数据分析”。什么叫“数据分析”？谁来定义“服务质量”？数据保留多久？语焉不详。他咨询了法律人士，对方说这属于典型的“灰色地带条款”，真要出问题，用户很难维权。对于图书馆来说，这直接触碰了红线——很多古籍的版权归属复杂，有些还涉及个人隐私（如族谱、契约），上传到商业云平台在制度上是不可接受的。小菜总结：“这就像你把家里最值钱的东西存进别人的保险柜，保险柜的主人还保留随时打开看一看的权利。你睡得着吗？”

独角兽企业的技术最惊艳，测试效果直逼专业古籍厂商的水平。但商业模式更激进——不卖按次，卖包年，而且起步价就是六位数。大胖老师联系销售，对方态度很好，但“优惠方案”仍然远超图书馆的承受能力。而且，包年意味着一旦停止续费，服务立刻中断，所有历史识别结果虽然能导出，但API和模型再也用不了。这等于被软性锁定。大胖老师挂掉电话后感慨：“技术是真好，价格是真贵。适合那些不差钱的互联网大厂给自己做数字博物馆，不适合我们这些吃财政饭的。”

云OCR总结：技术能力吊打洋OCR，对中文的支持也更到位，有的甚至已经能比较好地处理竖排繁体。但商业模式和数据安全是两个绕不开的坎——前者让它不适合大规模长期使用，后者让它不适合涉及敏感文献的场景。大胖老师最后的评价是：“云OCR是锦上添花的东西，适合已经有钱、有技术团队的馆。但我们要的是雪中送炭，是让穷馆也能用的方案。它不在这个赛道上。”

四、土OCR：开源社区的冰与火之歌

测试阵容：Tesseract、EasyOCR、PaddleOCR早期版本、各种GitHub上的个人项目。

开源OCR的世界，像极了一个热闹的跳蚤市场——什么都有，但良莠不齐，需要一双火眼金睛去淘。

Tesseract，OCR界的活化石，被各种教程奉为经典。它的架构是上世纪90年代设计的，虽然经过多次现代化改造，但底层思路还是传统的“字符分割+模板匹配”那一套。对付标准印刷体还行，一遇上古籍就原形毕露——竖排完全不行，版面分析基本为零，繁体字识别率惨淡。大胖老师评价：“Tesseract是工业革命时代的蒸汽机。它曾经很伟大，但你没法用它来跑F1。”

EasyOCR，一个韩国团队开发的多语言OCR，以“易用”著称。确实，安装简单，调用方便，一行代码就能出结果。但它的中文模型是用现代横排数据训练的，繁体支持很弱，对竖排完全没有优化。测试结果和洋OCR水平差不多——横排简体还行，其他一律抓瞎。小菜叹气：“易用是易用，但用不了也是真用不了。”

早期PaddleOCR，是他们测试中唯一带来希望的。2019年刚发布时，它在中文横排上的表现就已经超过了很多商业软件。但它早期对竖排的支持也很有限，版面分析模块还没有，古籍整体方案不成熟。大胖老师说：“PaddleOCR是块好胚子，但还需要大量针对古籍的打磨。这块打磨的工作，商业公司没人做，开源社区做了一部分但没做完。这中间的空白，就是我们的用武之地。”

各种GitHub个人项目，是这次测试中最令人感动也最令人心酸的。有的开发者用几百张自标注的古籍图片训练了一个小模型，发布在GitHub上，星标十几个，连README都有错别字。大胖老师一一测试，发现它们多半只有演示价值，不能实际使用。但他在每个项目的issue区都留下了感谢的话：“不是代码有用，是初心有用。”小菜也翻到一个2018年的项目，作者在README里写：“外婆家的族谱快烂了，我想用OCR把它存下来。学了一个月Python，写了这个。效果不好，但我会继续改。”项目最后一次更新是2019年。小菜盯着屏幕，沉默了很久。

土OCR总结：开源社区不乏热情和能力，但古籍OCR是一个需要长期投入、大量数据积累和领域知识的系统工程。个人开发者很难单枪匹马完成，而社区又缺乏组织力量整合这些离散的贡献。这导致了典型的“最后一公里”问题：所有零件都在，但没人把它们组装成一辆能开的车。

五、一个意外的发现：古籍界其实早有一套“土办法”

在测试各种软件之外，大胖老师还发现了一个有意思的现象：很多基层图书馆和民间爱好者，已经摸索出了一套“人肉OCR”土办法。

比如，某县图书馆的馆员，用手机把古籍一页页拍下来，发到家族微信群里，动员亲戚朋友帮忙“看图打字”。一本书三个月能录完。大胖老师听到后肃然起敬——这就是最原始也最动人的众包模式。缺点是效率极低，而且错误率不低——亲戚们都不认识繁体字，全靠蒙。

还有人用“图片转文字”小程序。他们把古籍扫描件截成一小段一小段，发给微信里的OCR小程序，再把结果拼回去。小菜试了一下，竖排根本不行，出来全是乱码。但那些坚持用这个方法的人，不是不知道有更好的工具，而是不知道去哪里找。大胖老师说：“他们用微信小程序做OCR，不是因为它好，而是因为它近。这就是我们做‘文渊慧典’要解决的另一半问题——不仅要做出来，还要让王大姐们能找到、会用。”

六、扒完所有方案之后，我们得出了三条铁律

大胖老师把所有测试记录钉在了实验室墙上，上面密密麻麻是各种OCR的评分、bug描述和费用计算。他让小菜从这些数据中提炼出结论。小菜熬了一夜，第二天交出了三条铁律。

铁律一：没有一家通用OCR能直接用于古籍。

古籍对OCR的要求太特殊——竖排、繁体、异体、避讳、夹注、眉批、印章，每一项单独拎出来都是难点，组合在一起就是王炸。通用OCR追求的是大而全，在各种常见场景下都有不错的表现，但古籍不是常见场景，它是一个垂直到不能再垂直的细分领域。

铁律二：商业方案要么太贵，要么不安全，要么两者都是。

洋OCR贵且不能用，云OCR能用但贵且不安全，专业厂商好用但贵到离谱。开源工具成本为零但需要极高的技术门槛。这四个选项，哪一个都不是为“缺钱缺人的县级图书馆”准备的。

铁律三：开源+领域适配，是唯一可行的路。

只有开源，才能做到零成本和数据本地化；只有领域适配，才能解决古籍的特殊问题。这两者结合，就是“文渊慧典”的底层逻辑——站在开源巨人的肩膀上，做那最后20%的领域优化。这20%包括古籍专用的版面分析调优、繁体竖排识别模型微调、避讳字和异体字的特殊处理，以及把整个流程封装成一个王大姐都能用的界面。

小菜把三条铁律贴在白板上，大胖老师看了一遍，满意地点头：“这就是我们花了那么多冤枉钱买来的教训。它值多少钱？两万八。”

小菜笑了。大胖老师也笑了。窗外，夕阳正好打在白板上，三条铁律的字迹清晰而坚定。

七、尾声：当“扒光”变成“看清”

文章最后，大胖老师让小菜给这次“OCR大逃杀”写一个总结。小菜想了很久，写了这么一段话：

“市面上的OCR方案，像极了江湖上的各派武功。洋OCR是西洋拳击，刚猛有力但不讲套路；云OCR是名门正派，功夫好但要价高；土OCR是野路子散修，偶有奇招但不成体系。古籍数字化需要的，是融会贯通——把最好的招式拆解、重组，创出一门专门对付竖排繁体的新拳法。这门拳法叫‘文渊慧典’，它没有门派，不收费，唯一的门槛是：你得有一台还能开机的电脑。这就够了。”

大胖老师看完，把这段话转发到了项目群里。一分钟之内，收获了二十三个赞。群里有人问：“大胖老师，咱们这套拳法什么时候正式发布？”大胖老师回复：“等我们先把所有招式再练一遍，确保王大姐不会闪着腰。古籍已经等了太久，不差这几个月。但我们也等不了太久，因为每多等一天，就可能有几页纸在某个角落悄悄碎掉。”

实验室的窗外，夜色正浓。大胖老师拧开保温杯，倒出最后一点枸杞水，对着屏幕上的代码，开始了新一轮的调试。键盘声轻快而急促，像极了古籍在纸页上沙沙作响的回响。

本文为注水技术版，您看看即可，不必当真，写此文字就是图一乐：-）