古籍OCR识别率深度评测：技术选型与实践指南

一、为什么古籍OCR这么难？

古籍数字化是文化传承与学术研究的基础设施。然而，把一本明清刻本或民国报刊交给通用 OCR 引擎，结果往往令人失望：繁体异体字认不全、竖排批注混作一团、多栏内容顺序错乱。这并非某一款工具的短板，而是古籍 OCR 面临的系统性技术挑战。

从工程视角看，古籍识别的难点可归纳为三层：

字符层： 古籍用字远超现代通用字集。除了国标 GB2312 的 6763 个常用字，还大量出现 GB18030-2022 中的繁体、异体、生僻字。中医文献尤其典型——“蔞蕩”“虈薜”这类药名，“脈/脉”“癥/症”这类异体对应，普通模型根本无从下手。

版面层： 古籍版面结构与现代文档截然不同。竖排筒子页、上下栏、天头地脚批注、双行小字夹注、朱墨套印……这些版式要求 OCR 不仅能“认字”，还要理解“区域归属”和“阅读顺序”。

字体层： 从宋元软体（颜体、欧体、柳体、赵体）到明清方体（宋体），再到名家手书上板，字形差异巨大。加上年代久远带来的污损、虫蛀、墨迹洇散，信噪比极低。

理解这三层难点，是评估和选择古籍 OCR 方案的前提。

二、评测维度：如何科学衡量古籍OCR的识别率

讨论“识别率”不能只看一个笼统的数字。建议从以下维度建立评测矩阵：

维度	说明	典型指标
字符覆盖率	模型支持的字集范围	繁简汉字数、异体字数、少数民族文字支持
常用字精度	高频字在正常页面下的准确率	GB2312 范围内准确率
生僻字精度	异体字/生僻药名等识别能力	专业领域字集准确率
版面解析	竖排、多栏、批注区域划分	区域分类准确率、阅读顺序正确率
字体适配	不同书体、刻本风格的鲁棒性	多字体混合测试集准确率
抗噪能力	污损、洇墨、残缺页面下的表现	低质量样本准确率

只有在这六个维度上都达到可用水平，才称得上“生产级”古籍 OCR。

三、字符集覆盖：从常用字到少数民族文字

字符集覆盖是古籍 OCR 的第一道门槛。业界领先的方案通常需要支持数万个繁简汉字，覆盖 GB2312 与 GB18030-2022 的主要字集。在中医古籍实测中，针对“蔞蕩”“虈薜”等生僻药名及“脈-脉”“癥-症”等异体字，优秀方案的识别准确率可稳定在 95% 以上；而在《伤寒论》这类通行刻本的常用字测试中，GB2312 范围内准确率可达 99.9% 级别——随机抽取 1000 字校验，仅因页面轻微污损错 1 字。

更值得关注的是跨语言能力。多民族医学文献整理中，藏文古籍识别率可超过 95%，蒙古文古籍的文字提取也能保持语序完整、无混乱。这对民族医药研究是刚需。

工程提示： 评估字符集覆盖时，不要只看厂商宣称的“支持 X 万字”，而应构造领域专属测试集（如中医药名、藏文医典片段），实测召回率与准确率。

四、版面分析：复杂版式的结构化解析

版面分析是古籍 OCR 区别于通用 OCR 的核心能力。典型场景包括：

• 半筒子页 + 上下栏 + 天头地脚批注： 需要自动区分正文区与批注区，并按“从右至左、从上到下”的阅读顺序输出。
• 双行小字夹注： 小字与大字混排，需正确归属。
• 朱墨套印： 朱笔点评与墨色正文需分离。

以某清代医家批注本《金匮要略》为例，天头有大量朱笔点评，正文分上下两栏。普通工具要么把批注混入正文，要么上下栏顺序颠倒。而具备版面理解能力的方案，能自动区分区域、标注批注与正文的对应位置，版面识别准确率接近 100%。

从技术实现角度，这通常依赖版面检测模型 + 阅读顺序推理的组合：

# 伪代码：版面分析流水线示意
def parse_ancient_page(image):
    # 1. 版面区域检测
    regions = detect_regions(image)  # 返回正文/批注/页眉等区域框
    # 2. 区域分类
    labeled = classify_regions(regions)  # {正文, 天头批注, 地脚批注, ...}
    # 3. 阅读顺序推理（竖排从右至左）
    ordered = infer_reading_order(labeled, direction="right-to-left")
    # 4. 逐区域识别
    results = [ocr(region) for region in ordered]
    return merge_with_annotation_mapping(results)

五、字体适配与抗噪能力

古籍字体跨度极大。明清方体（宋体）、宋元软体（颜、欧、柳、赵）均需覆盖。实测表明，只要笔画清晰，即便是名家手写上板的精刻本，识别率也能保持在 95% 以上。

抗噪能力则决定了真实场景的可用性。古籍普遍存在页面污损、墨迹洇散、虫蛀残缺。优秀方案通过数据增强（模拟污损、噪声、模糊）与鲁棒训练策略，在低质量样本上仍能维持较高精度。

六、选型建议与工程实践

综合以上维度，给开发者和研究团队以下建议：

1. 先建评测集，再选方案。 用自己领域的真实古籍页面（含生僻字、复杂版面）构建 200～500 页测试集，量化对比。
2. 关注版面分析能力，而非只比字符准确率。 版面错乱导致的返工成本远高于单字错误。
3. 验证少数民族文字支持。 若有藏文、蒙古文等需求，务必实测。
4. 二次校对成本要纳入评估。 99.9% 常用字精度意味着几乎无需校对，而 95% 精度可能需要逐字复核，人力成本差异巨大。
5. 优先选择支持结构化输出的方案。 能输出区域类型、阅读顺序、批注映射的 JSON 结构，便于后续数据加工。

{
  "page_id": "volume_01_page_023",
  "regions": [
    {"type": "main_text", "order": 1, "text": "……"},
    {"type": "head_note", "order": 0, "text": "朱批：……", "anchor": "main_text_block_2"}
  ]
}

七、结语

古籍 OCR 的识别率提升，本质是字符集覆盖、版面理解与字体鲁棒性三者的系统工程。没有单一指标能代表“好不好用”，只有在真实领域数据上多维度实测，才能选出真正适合生产环境的方案。随着多模态文档理解技术的演进，古籍数字化正从“能认字”走向“能读懂版式、能结构化输出”，这对学术研究与文化传承都是实质性的推动。