企业官网建设流程全解析

——大胖老师：“你猜古人为什么竖着写字？”

——小菜：“因为竹简是一根一根的？”

——大胖老师：“那后来用纸了为啥还竖着？”

——小菜：“惯性？”

——大胖老师：“是执拗。跟咱们非要用神经网络啃古籍一样执拗。”

一、公元1716年：世界上第一本“繁体字词库”诞生

康熙五十五年，紫禁城武英殿里发生了一件大事：由张玉书、陈廷敬等三十多位翰林院编修历时六年编成的《康熙字典》正式刊行。这部收录四万七千零三十五个汉字的巨著，堪称当时的“Unicode联盟”——它给每个汉字标了读音、释义、出处，还顺带规定了标准写法。

小菜听说这段历史后很兴奋：“大胖老师，这不就是最早的‘汉字编码表’吗？他们是不是早就预见到三百年后会有OCR？”

大胖老师白了他一眼：“预见到是有鬼了。但康熙字典的确做了一件对OCR至关重要的事：它把汉字的‘异体字’和‘正体字’之间的关系给理了一遍。你看——”他翻出一页电子版，指着某条目：“‘説’和‘說’，其实是同一个字，只是左边偏旁写法不同。古人写字没那么讲究，一个‘为’字能有几十种写法。如果OCR模型没见过这些变体，它就会觉得这是生僻字，直接蒙一个形近的。”

“这就像你让一个只看过‘马冬梅’的人去认‘馬冬梅’，他大概率会问：‘马上面怎么多了四个点？’而康熙字典，等于给了模型一本‘繁体字家族谱’，告诉它：这些五花八门的写法，其实是一家人。”

所以，古籍OCR的源头，还真可以追溯到三百多年前的这部字典。它定义了汉字的基本形态，也为今天AI的“识字”划定了范围。只不过，当年的编修们肯定想不到，他们手抄的竖排小楷，有一天会被一种叫“神经网络”的东西，以每秒几十个字的速度“阅读”。

二、竖排的倔强：为什么古人非要跟我们反着来？

小菜一直想不通一个问题：“大胖老师，古人明明知道横着写字更方便（比如题匾额、写楹联都是横的），为什么书籍正文非要竖排？而且还要从右往左读？这简直是在给后世的OCR挖坑。”

大胖老师放下保温杯，开始上课：“这得从竹简说起。商周时期，文字主要写在竹简上。竹简是一根一根细长条，自然适合竖着书写。左手拿着简册，右手执笔，写完一根放右边，顺手。所以阅读顺序就成了从右往左。这个习惯根深蒂固，哪怕到了东汉蔡伦改进造纸术，纸张普及，书写材料变了，但‘竖排右行’的传统已经成了文化基因，刻进骨子里。”

“后来活字印刷术发明，排版当然也延续竖排。一直到清末，西学东渐，数理化公式、外国地名、标点符号这些‘横着更合理’的东西大量涌入，横排才开始出现在部分书籍里。1949年后，大陆正式推广横排简体，但港台和海外中文世界，至今仍大量使用竖排繁体。而你要面对的古籍，99%都是竖排。这个延续三千年的习惯，到了OCR这里，就成了‘反人类’的难题。”

“为什么难？因为现代OCR模型，底层依赖的是卷积神经网络（CNN），它对图像特征的提取是‘从左到右、从上到下’滑动窗口的。这天然适合横排文字。遇到竖排，相当于让一个习惯了横向扫视的人，突然改成竖着扫，路径全乱。所以早期的OCR，会把竖排文字的每一列当成一行来处理——这就需要先精准切出每一列，再旋转90度，才能送进识别模型。可是古籍呢？经常是三列正文夹两行小注，栏线还粗细不均，想自动切准，比拆炸弹还难。”

小菜恍然大悟：“所以竖排识别，本质上是把‘版面分析’和‘文字方向检测’这两个问题搅在一起了。先得知道哪些是正文、哪些是注文、哪些是标题，还得搞清楚它们分别朝哪个方向。这比以前处理现代横排书复杂了不止一个量级。”

“没错。这也是为什么，直到深度学习模型有了足够的‘空间感知能力’，竖排识别才真正突破。你用上PPStructure之后会发现，它里面有个‘图像方向分类器’，专门判断文字块的朝向，然后自动旋转校正。这背后是ResNet这类网络在撑腰，它在训练时见过了各种旋转角度的文字，所以能本能地判断：‘这块文字是歪的，给我转正’——就像你拿起手机看照片，会自动旋转屏幕一样自然。”

三、神经网络登场：当古籍遇上CNN+Transformer

时间快进到2012年，AlexNet在ImageNet上大放异彩，深度学习正式复苏。OCR领域也开始了翻天覆地的变化。大胖老师指着PPT上的时间线：

• 2015年：CRNN（卷积循环神经网络）被提出，它把CNN提取图像特征、RNN处理序列、CTC转录出文字，串成了一条流水线。这个架构直接成为了后来所有OCR引擎的“标准模板”。从此，OCR从传统的手工特征+模板匹配，进入了端到端学习的时代。

• 2019年：PaddleOCR发布，把CRNN搬到了工业级，而且开源。中文识别准确率一下子飙到了95%以上。更重要的是，它开始支持竖排文字的训练——通过数据增强，把训练图片随机旋转90度，让模型学会“见多识广”。

• 2021年：PPStructure问世，在CRNN基础上加了版面分析模块，用目标检测（YOLO系列）来定位文字块，再用方向分类器摆正，最后OCR识别。到这时，一套能对付复杂版面的引擎才算基本成型。

• 2023年：Transformer大杀四方，OCR模型也开始引入Attention机制，比如SVTR、ABINet。它们不再死板地依赖RNN的串行处理，而是让每个字都能“看到”上下文，更好地解决形近字、遮挡字的问题。同时，PaddleOCR更新了繁体中文专用模型，训练数据覆盖了康熙字典里的绝大部分字形。

“所以，”大胖老师敲黑板，“我们今天做古籍OCR，本质上是站在三代技术积累的肩膀上：康熙字典定义了汉字边界，CRNN奠定了识别框架，Transformer带来了语义理解。缺一不可。”

四、实战拆解：一页清刻本的“数字化旅程”

为了让小菜直观理解，大胖老师现场打开一页乾隆年间的刻本《古文观止》，开始逐步演示。

第一步：图像预处理

原图是从PDF里导出的300DPI扫描件，微微发黄，有几个虫蛀小洞，边缘还有模糊的藏书印。大胖老师先用OpenCV做了自适应二值化，把文字和背景彻底分开。他解释：“古籍纸张老化严重，光照不均，普通二值化会丢笔画。自适应阈值能根据局部亮度动态调整，保细节。”

第二步：版面分析

PPStructure的布局检测模型上场。它用基于ResNet的骨干网络提取特征，然后通过特征金字塔（FPN）多尺度融合，检测出不同大小的文字块。页面上立刻被画出了几种颜色的框：红色的是正文竖排块，蓝色的是夹注小块，绿色的是版心外的书名和页码。更妙的是，方向分类器给每个框标记了角度：0度是正向横排，90度是竖排，180度是倒置。所有竖排块都被悄悄旋转了90度，变成了临时的横排图像，准备喂给OCR。

小菜问：“那识别完之后，顺序怎么还原？总不能还是一段一段乱的吧？”

大胖老师笑：“问得好。版面分析模块会输出每个框的坐标，尤其是左上角的位置。我们根据古籍的阅读顺序——从上到下、从右到左——对框进行排序：先按右上角纵坐标分组，确定是同一列；然后在同一列内按横坐标从左到右排。这样输出的时候，就能自动拼接成正确的阅读顺序。”

第三步：文字识别

旋转矫正后的文字块被送入识别模型。这是一个基于SVTR的轻量级Transformer网络。它先用卷积切分图像成小方块（patch），然后通过多层Transformer编码器捕获全局特征，最后用一个线性层分类出每个位置的汉字。由于训练时见惯了繁体、异体，它很轻松地把“説”认成“說”，把“羣”认成“群”。遇到“己”“已”“巳”这样的细微差别，语言模型会根据前后文施加约束——“自己”还是“已经”，概率天差地别。

第四步：后处理与输出

识别出的纯文本还要经过规则校正。比如，古籍中常见的避讳缺笔字“玄”（缺最后一点），模型有时会误认成别的字。后处理模块内置了一个避讳字表，检测到可疑组合时自动补全。最终，所有文字按照正确的阅读顺序拼接，同时保留坐标信息，方便生成双层PDF——在原图上叠加透明文字层，实现“看着是原版，却能搜索复制”的效果。

小菜看着这一气呵成的流程，感叹道：“合着这就是一场流水席啊，康熙字典定的菜名，CRNN配的料，Transformer炒的锅，最后PPStructure端的盘子。”

五、两个让人又笑又叹的落地案例

技术讲完了，大胖老师又开始举实例。

案例一：湖南某县“憋死县令”事件

这套系统刚在湖南某县图书馆试运行时，馆长抱来一套康熙县志，想看看效果。一小时后，全部转成了文字。图书馆一个小姑娘在翻检结果时，忽然笑出了声。大家围过去一看，原来是康熙年间当地闹饥荒的记载中，有这么一句：“邑令某，率民食观音土，便秘几死。”大意是：县令带头吃观音土，结果拉不出屎，差点憋死。原文是双行小注，藏在某页右下角，以前的扫描件根本没人注意到。版面分析模型把它单独拎出来，OCR准确识别出“便秘几死”四个字，尤其是那个“秘”字的异体写法，模型竟认得分毫不差。馆长感慨：“这就是数字化的意外之喜——它不光能存史，还能刨梗。”

案例二：上海初中生的“米价曲线”

另一个例子，是上海某初中生做的研究性学习。课题是“晚清上海米价波动”，数据全在《申报》的广告版里。那版式，横七竖八，什么“白粳”“上白米”“糙米”分类极细，价格数字还混在广告词里。以前要做这个课题，得蹲图书馆抄一个月。这次他用了文渊慧典的公开版，上传扫描件后，系统不但把价格条目全识别出来，还通过版面分析定位到“日期-品种-价格”的结构，直接导出Excel。孩子花了一周就画出了漂亮的米价曲线，作业拿了一等奖。他在致谢里写：“感谢那个不懂拒绝的老学究系统，它帮我翻遍了十年的报纸，却不求一杯奶茶。”

六、这场“战争”远没有结束

小菜听得热血沸腾：“那我们是不是已经赢了？竖排繁体彻底攻克了？”

大胖老师摇摇头，指了指窗外：“早呢。咱们现在搞定的，主要是刻本——印刷体。但古籍里还有大量手抄本、稿本、信札。那字迹，比医生的处方还狂草。而且，还有满文、蒙文、藏文古籍，它们也是竖写的。另外，识别出来只是第一步，后面的自动句读、实体提取、知识图谱构建，每一项都是硬骨头。”

“但好在，方向对了。从康熙字典为汉字立规矩，到深度学习让计算机‘识字’，再到我们用工程化手段把技术送到每个县图书馆，这条路走了三百年。竖排战争的下一阶段，是让AI不仅能‘看到’字，还能‘读懂’句，从文字识别走向知识挖掘。”

他顿了顿，抿了一口枸杞茶：“不过，那又是另一个大坑了。今天先讲到这儿，你回去把那个虫蛀的‘怪’字再测试一下，看咱们的新模型能不能猜到它缺的胳膊。”

小菜合上笔记本，脑子里闪过一句话：竖排三千载，一页一乾坤。键盘敲下的，是过去；屏幕亮起的，是未来。而这之间的桥梁，正由一行行代码浇筑而成。

窗外，图书馆的灯还亮着，王大姐正在电脑前，把又一张发黄的扫描件拖进文渊慧典的网页里。进度条转动，像时间在倒流。