企业官网建设流程全解析

做电子书这事，我前前后后折腾过不少工具，最早也是图省事，直接把文档丢在线网站转格式。结果有一次传一个二十多万字的文稿，上传等了半天不说，心里还老嘀咕内容会不会被存到别处。从那以后我就彻底转向本地软件了，反正现在桌面端能干的活远比我想象的多。

我现在固定下来一套三件套：Sigil 负责电子书编辑，Calibre 负责格式转换和书库管理，Umi-OCR 配合本地模型做扫描识别。三个都是离线可用，文件不离开本机，导出后的 EPUB、PDF、MOBI 就算拔了网线也能正常打开。这篇就把我实际使用的经验和踩过的坑整理出来，适合那些想把手头笔记、旧 PDF、课件资料整理成离线电子书的朋友参考。

1. 为什么必须是“本地软件”？在线转换的坑我先替你踩了

很多人一上来就喜欢用网页版的转换工具，觉得不用装软件更方便。但用过几轮以后你会发现，在线工具的痛点基本都集中在三个地方：文件大小限制、隐私风险和格式还原度差。我身边就有同事把五十多MB的扫描PDF传到某个免费转换站，结果排队半小时最后被告知超出免费额度，那叫一个折腾。

1.1 在线工具的上传限制和隐私问题

在线转换工具表面上免费，实际上处处设限。免费用户通常只能转20MB以内的文件，超过就要充会员。就算不充会员，上传速度也受制于服务器带宽，碰到大文件经常转一半就断开。更麻烦的是隐私问题，我整理过一整年的项目归档资料，里面有不少内部合同扫描件，让我拿这些东西去上传第三方平台，我是真不放心。

这里不是要一棒子打死所有在线工具，有些场景它们确实方便。但只要涉及尺寸比较大的文件，或者内容比较私密的资料，原则就一条：文件不落地、不上传，哪咤闹海也得在当地解决。本地软件没这个问题，所有计算都在自己电脑上跑，数据文件从输入到输出全程不离开硬盘，离线能用，断电断网也不影响。

1.2 我选本地软件的三个标准

做电子书的本地软件不少，但我筛选下来会看三件事。第一是免费开源或者有持续更新，别装一个软件回去发现三五年不维护，格式兼容性全是雷；第二是主流的电子书格式要覆盖到位，至少能读 EPUB、PDF、TXT，能输出这些格式也是底线；第三是允许批处理和命令行调用，这样一次转换几十个文件的时候不用一个一个点鼠标。

按照这个标准，“Sigil + Calibre + 本地OCR”这套组合刚好覆盖了电子书制作的三段流程：先把手头素材识别成可编辑文字，再用Sigil把内容排成规范的EPUB，最后用Calibre转换成不同阅读设备需要的格式。三个环节各自独立，又能在一条工作流里串起来，这是我最看重的地方。

2. 第一件：Sigil，电子书编辑这个最累的活交给它

电子书制作里最花时间的不是转换，而是编辑。很多人以为把Word另存为PDF就算电子书了，其实真正的电子书要的是可重排、可检索、目录清晰。Sigil就是专门干这个的开源编辑器，它是直接操作EPUB内部结构的工具，比Word另存为靠谱得多。

2.1 Sigil到底能做什么？为什么不用Word？

EPUB的内核是一个ZIP包，里面装着XHTML、CSS、图片和元数据文件。Sigil相当于把这些文件直接摊开给你看，想改文字就改文字，想调样式就调样式，整个过程中不会像Word那样生成一堆乱七八糟的内联样式。我之前试过把Word文档直接导出EPUB，结果是字体样式写死在每个段落里，换一个阅读器显示完全不受控，想整体换字号还得一句一句改，完全没有维护性。

Sigil的界面类似网页编辑器，左侧是文件树，右侧是代码编辑区，也能切换成预览模式。它自带一个epubcheck校验插件，保存前能帮你检查目录、样式、缺失文件这些问题。对于新手，不需要会写代码，但至少要知道XHTML是什么东西，不然遇到样式问题会一头雾水。我后来给朋友做教材整理时，八十多页内容有大量标题、图片和表格，用Sigil处理起来比在Word里排版省太多事。

2.2 从零手作一本干净EPUB的完整流程

我通常的流程是这样的，先不管原始素材是Word、TXT还是已经识别好的文本，第一步总是先在Sigil里新建一本书，然后把内容逐章粘贴进去。粘贴的时候注意，不要从Word直接复制带样式的文字，最好先在记事本里过一道，把字体、字号、颜色这些内联格式全部剥掉，再贴到Sigil里。

第二步是检查段落结构。EPUB里每换一段都应该对应一个<p>标签，标题用<h1>到<h6>。如果从网页复制内容，很容易把整篇内容塞进一个<div>里，看起来没问题，但后续目录生成会漏掉很多标题。

第三步是添加目录。Sigil的“目录”面板可以基于标题自动生成，但前提是你得先把各级标题的标签设置对。我习惯把章标题设为<h1>，节标题设为<h2>，这样自动生成的导航目录刚好对应书的结构。设置好之后，再用“工具→目录→自动生成”跑一遍，导航目录就会出现在左侧。

第四步是补元数据。这一步很多人忽略，但其实很重要，因为它关系到电子书在不同阅读器里显示的书名、作者和排序信息。我一般会在“元数据编辑器”里填好标题、作者、语言，语言这里中文内容务必要填zh，不然有些阅读器会默认按英文排版处理。如果手里有合法的ISBN编号，可以填进去，没有就留空，不要编一个假号骗过校验器。

第五步是加封面。Sigil里可以右键添加图片，再在元数据里把封面属性指过去。封面图片建议用JPEG格式，宽度别超过1600像素，不然一些老牌阅读器会加载得很吃力。

最后一步是校验并保存。按F7运行EPUB校验，看到没有错误弹窗后，这本电子书才算真正完成了。这套流程走熟了以后，一本七八万字的文档我大概半小时能搞定，比在排版软件里做版面轻松多了。

2.3 编辑时最容易踩的三个细节

第一个细节是中文引号问题。很多OCR出来的文字，引号会被识别成英文半角双引号，在中文排版里看着非常违和。我习惯在Sigil里用查找替换，把英文引号统一换成中文引号，虽然费点时间，但阅读观感完全不一样。

第二个细节是图片路径。如果图片是通过拖拽方式加进Sigil的，路径一般没问题。但如果是手工改代码，图片路径一旦写错，EPUB校验虽然不一定报错，阅读器里也会显示成破图。我吃过这个亏，后来都是先看左侧文件树，确保图片实际上传进了Images目录，再去代码里引路径。

第三个细节是嵌入字体。中文字体文件动辄十几MB，全嵌入会撑爆文件体积，不建议常规操作。但如果你做的是带特殊字体的海报页或封面页，可以把字体文件放进Fonts目录，再在CSS里用@font-face声明。只针对封面这一页用，别全书嵌入，不然转出来的文件会大得离谱。

3. 第二件：Calibre，格式转换和整库导出我全交给它

Sigil产出的是一本干净EPUB，但这不代表所有设备都能直接读。许多阅读器、手机App、电子墨水屏设备有自己偏好的格式，这时候就得靠Calibre出马。Calibre是我心目中本地电子书工作流里最有力的中转站，它既能管书库，又能做格式转换，还能通过插件把书的元数据统一收拾整齐。

3.1 Calibre在电子书制作里的定位

Calibre的定位，说通俗点就是你的电子书资源管理器加格式翻译官。你可以把EPUB、PDF、TXT、MOBI、AZW3全塞进它的书库里，它会按作者、系列、标签、评分这些维度归档，还支持自动下载封面和元数据。不过自动抓取元数据的功能需要联网，如果你特别在意隐私，可以在设置里关掉，不影响转换功能。

格式转换是Calibre的核心能力，它支持输出EPUB、MOBI、AZW3、PDF、TXT、DOCX等一大堆格式。实际用起来，我最常做的是把EPUB转成MOBI或AZW3放到电子墨水屏设备里，或者转成PDF打印出来看。转换时它会单独处理CSS，把复杂的Web样式转成适合阅读器的简单样式，这一点比很多在线转换站强太多。

3.2 从EPUB导到PDF、MOBI的实操步骤

Calibre的图形界面操作很简单，把书添加进书库，右键选择“转换书籍”，然后配置输出格式就行。但遇到批量转换的时候，一键点一百本书能点到手酸，所以我更推荐用命令行工具ebook-convert。

比如说，要把一本input.epub转成适合A4打印的PDF，我的命令通常是这样的：

ebook-convert input.epub output.pdf --paper-size a4 --margin-top 15 --margin-bottom 15 --margin-left 20 --margin-right 20 --base-font-size 11

这几个参数的含义分别是纸张尺寸、上下左右页边距和基准字号。A4纸打印的话，基准字号设10到11比较合适，太小打印出来伤眼睛，太大会导致一张纸内容太少。

如果要把input.epub转成MOBI格式给阅读器用，我更推荐这样写：

ebook-convert input.epub output.mobi --output-profile kindle --base-font-size 10

--output-profile kindle是让Calibre按Kindle屏幕的渲染习惯生成文件，这样导出后在阅读器里翻页、调字号都会更正常。有些朋友可能用的是国内厂商的墨水屏阅读器，它们的通用格式其实是EPUB和PDF，所以不用转换，直接把Calibre书库里的EPUB拖进设备就行。

3.3 离线使用和整库分发的几种办法

做完电子书，最后一步是把它放到你真正要用的设备上。我一般会开一个命名为“离线书库”的文件夹，所有最终成品都导到这里，然后通过USB线或者本地区域网共享到阅读器、手机和平板。说白了，离线的核心思路就是别依赖云端，只要你把文件复制到设备里，走到哪儿都能看，上了飞机、进了山里，都不用担心没网络。

还有一个细节是文件重命名。Calibre默认会按“书名——作者”的文件名格式输出，我建议在转换之前先在书库里把作者和书名元数据填好，这样导出的文件不会出现一堆“untitled”之类难认的名字。批量分发靠的是好名字和好目录，文件名乱掉的电子书库，找起书来特别闹心。

4. 第三件：本地OCR软件，把扫描件变成真正可用的电子书

很多人手里都有大量扫描版PDF，翻页看没问题，但不能复制、不能搜索、字号还不能重排。想把这些“死书”变成能编辑检索的文字版，就得靠OCR识别。国内能用且好用的本地OCR软件已经不少，我长期使用的是Umi-OCR和Tesseract的组合，全部离线运行。

4.1 Umi-OCR和Tesseract怎么选

先说Tesseract，它是开源的OCR引擎，支持上百种语言，命令行很灵活，但直接操作对普通用户不太友好。我更推荐的组合是Umi-OCR，它其实是一个本地OCR前端，内置了PaddleOCR等模型，界面简单明了。你打开软件，拖进去一张图片，它就调用本地模型识别，没有网络请求，也不上传数据。

在我实际的测试里，中文内容PaddleOCR模型的表现通常比Tesseract默认中文模型准一些，尤其是对中文竖排和混合中英文的情况。所以日常主力是Umi-OCR，处理大篇幅主要还是靠它。Tesseract则更多用于特殊场景，比如批量命令处理、老报纸影印件、需要自定义字库的时候。两个软件都能独立工作，谁也不依赖网络，离线使用这一条是完全满足的。

4.2 扫描PDF转可搜索电子书的完整操作

我把扫描PDF做成可检索电子书一般分三步。

第一步是拆页。如果PDF本身就是扫描图片集，Umi-OCR可以直接选择“批量OCR”，一次拖入多个PDF文件。它内部会把每一页转成图片，再逐页砸出文字。这里最好把PDF分辨率提到300DPI，太低的扫描件识别率会明显下滑。

第二步是识别和导出。Umi-OCR识别完成后，我一般导出成纯文本或者DOCX。纯文本最方便后续在Sigil里重新排版，DOCX则适合还要继续编辑的人。需要注意一点：OCR出来的文档里会有大量页眉页脚和页码，比如“第3页”“某某资料内部文件”这类重复内容，整理时最好用查找替换一次性清掉，然后再进Sigil做排版。

第三步是把识别结果合回PDF。如果不想重新做PDF排版，只想让原来的扫描PDF支持搜索和复制文字，可以使用OCRmyPDF这类工具，在本地给PDF加一层透明文字层。处理完以后，原来扫描版的PDF还是原来那个样子，但直接在阅读器里就能搜索文字了，这个功能对我们整理老资料简直太实用了。

Tesseract的命令行做法也可以提一下，比如处理单张图片：

tesseract input.png output -l chi_sim+eng

它会调用简体中文和英文混合模型，把input.png识别成output.txt。如果扫描件里包含繁体中文，就把chi_sim换成chi_tra，必要时也可以在命令行里指定页面分割参数。不过对于大多数非技术朋友，我还是建议直接用Umi-OCR的图形界面，效果和便利度都更好。

4.3 OCR识别率优化和人工校正

OCR不是万能的，图片质量、排版复杂度、字体清晰度都直接影响识别结果。我总结了几条能明显提高识别率的经验，第一就是喂给OCR的图片尽量是二值化或者灰度图，背景干净、字迹清楚，识别率能高出一截；第二是倾斜的页面要先做矫正，好多扫描件放歪了一点点，OCR就会把整行文字认得乱七八糟；第三是遇到双栏排版的纸质书，直接整页识别会乱掉，最好先用编辑工具分栏后再识别。

识别完成后再快，也一定要有人工抽查环节。我一般会重点看目录页、参考文献和表格部分，目录里的省略号和页码数字容易被识别错，参考文献里的英文缩写和年份也常出问题。内容少的手动改，内容多的就在Word里跑一遍语法检查。这个活儿听起来枯燥，但做完之后得到的电子书能用很长时间，回头看是值得的。

5. 三个工具串起来的完整实战：把一堆杂乱资料变成离线电子书

理论说了一堆，我拿一个典型的实战案例给你看。前阵子朋友托我整理一套内部培训材料，两百多页扫描件，全是印好的旧讲义，里面有大量代码片段和表格。我的目标是把它变成一本能在手机、电脑上离线阅读且支持搜索的EPUB。

第一步是扫描预处理。我先用Umi-OCR做了整本识别，把每一页变成带文字的DOCX。这一步跑了大概四十分钟，主要时间花在识别模型计算上，软件全程本地运行，电脑能正常干别的事。

第二步是在Word里做初步清洗。我把识别出来的文本打开，顺手处理了几件事：删掉页眉页脚，把代码片段从正文里单独提出来，表格内容检查一遍，然后将所有的章节标题设置成“标题1”或“标题2”。因为后续要进Sigil生成目录，标题样式是绕不开的基础工作。

第三步是导入Sigil排版。我把清洗后的章节按照一级标题顺序复制进Sigil，重新生成了目录，补上封面和元数据，运行EPUB校验没有报错。到这一步，一本原生的EPUB已经可以用了，文件不足1MB，内容结构和搜索功能都齐了。

第四步是用Calibre导出成不同设备的格式。朋友在平板上看，我直接导出EPUB；他车里还有一个墨水屏设备，我又顺手导了一个MOBI。全部转换过程都在本地完成，导出文件拷到设备里插上就用，全程没有经过任何中转服务器。

整个流程下来花了大半天，其中大部分时间是人工清洗文本。但成品规格很扎实，目录能跳转、文字能重排、内容能搜索，两百多页的资料拽在手机里随时翻，离线不愁没网。这套流程我后来也用来整理自己手头的旧论文、操作手册和各种课堂笔记，思路大同小异。

6. 常见问题与排查技巧实录

工具用到一定熟练度之后，大多数问题其实都出在很具体的小地方。我把这几年遇到的高频问题和排查思路整理成一个速查表，算是给后来人省点时间。

6.1 导出后字体、图片丢失和乱码的排查

字体和图片问题占了电子书制作问题的一大半。图片丢失多数是因为文件路径写错，或者图片实际不在EPUB包内，重新在Sigil文件树里确认一下就行。字体乱码则大概率是字符编码问题，按上面的表格先检查语言选项和字符集声明，再考虑要不要嵌入字体。如果是在手机上看，我一般会把原始CSS里过于花哨的装饰性样式全部清掉，只保留段落、行距、margin这些基础规则，兼容性会好很多。

6.2 为什么转换后的EPUB在有些阅读器里排版乱糟糟

很多阅读器，尤其是电子墨水屏设备，对CSS的支持是比较保守的。复杂的选择器、网格布局、CSS变量这些东西在网页浏览器里没问题，到了阅读器里就可能整个失效。我的做法是在Sigil阶段就把样式尽量写简单，要么用内联的简单class，要么干脆只用基础标签样式。如果你收到的文件是从某个在线转换站生成的，里面常常带一堆冗余样式，建议先用Sigil的清理工具跑一遍再说。

6.3 收藏整理电子书时的版权边界

最后忍不住多说一句。本地工具给了我们很大的便利，但便利不等于可以乱用。我自己整理电子书，处理的全是自己手头有权使用的材料，比如自己写的文档、购买的正版资料、学校或公司授权使用的内部材料。那些来源不明、未授权的扫描书，转成电子书之后拿出去传播，这是无论如何都要避免的。工具本身没有对错，怎么用是各人的选择，但尊重原创、守住边界，是我们做这件事的前提。

做电子书这几年，我最大的体会是：文本的可维护性比任何花哨的排版都重要。排版可以后期再调，但内容一旦被锁死在不可编辑的格式里，想改一个字都难。所以我现在所有工作流的第一原则都是“先拿到干净文本，再做呈现”，Sigil、Calibre和本地OCR恰好都在围绕这个原则干活。希望这套经验能帮你少走些弯路，把那些躺在硬盘角落里吃灰的旧资料，真正变成随身可读的离线书。