简介：本文面向中医古籍整理、历史文献研究与数字人文方向的开发者和研究者，系统梳理古文字OCR的核心技术难点、评估指标与工程化选型方法。文章不绑定任何单一工具，而是围绕识别准确率、异体字覆盖、复杂版面解析和批量处理能力展开论述，并给出从预处理、识别到后校对的可落地实践建议，帮助读者在真实项目中降低人工校勘成本、提升古籍数字化效率。
在中医古籍、方志、谱牒、碑刻等文献数字化项目中，很多团队一开始会直接使用面向现代印刷体的通用OCR能力。这类方案在处理简体横排、白底黑字、字体规范的扫描件时表现尚可，一旦遇到古籍，问题就会集中爆发。
从技术角度看，原因主要集中在以下几个方面。
现代简体中文常用字大约只有六千多个，而古籍中常见的繁体字、异体字、俗字、避讳字、通假字累计可达十余万种。很多通用OCR模型训练时使用的语料以现代简体印刷体为主，对“脈”与“脉”、“癥”与“症”、“薑”与“姜”这类异体关系缺乏足够覆盖。
更麻烦的是，同一个字在不同刻本、抄本中的写法可能完全不同。刻工刀法、书手笔迹、避讳缺笔、模糊笔画都会导致字形结构偏离标准字符。传统基于有限字符集的识别模型，很容易将异体字误判为形近的常用字，或者直接输出乱码。
现代印刷品以横排、单栏为主，版面解析相对简单。古籍则大量使用竖排、从右至左的阅读顺序，同时存在筒子页、半筒子页、多栏排版、眉批、夹注、脚注、行间批注等结构。
例如中医古籍中常见的“正文+夹注”形式，正文为大字，注文为小字，二者交错排列。如果版面分析算法不能准确区分字号、栏线和区块关系，就容易把注文混入正文，或者把竖排文字的先后顺序颠倒。对于校勘类项目来说，这种错误比识别错字更致命，因为它直接破坏了文本结构和语义逻辑。
古籍扫描件往往存在纸张泛黄、透字、霉斑、虫蛀、墨迹洇染、笔画断裂等问题。抄本还可能出现浓淡不一、行款歪斜、字间距不均等情况。通用OCR在干净背景下表现良好，但在低对比度、高噪声、局部残缺的条件下，字符切分和特征提取都会受到严重影响。
因此，古籍OCR不是一个简单的“识别文字”问题，而是一个包含图像预处理、版面分析、字符识别、上下文后处理、结构化输出的完整工程链路。
在评估古文字识别能力时，不应只看厂商宣传的“综合准确率”，而要结合古籍项目的实际需求，从以下几个维度进行考察。
一个可用的古籍OCR系统，需要明确支持繁体字、异体字、俗字等扩展字符集。更重要的是，它能否在识别后自动匹配标准字形，并给出异体关系提示。
例如在中医方剂文献中，“薑黄”与“姜黄”可能指同一味药，但不同版本用字不同。如果识别系统只会机械输出字形，而不具备上下文判断能力，后续校勘仍要花费大量人力。理想的方案是：系统先准确识别原字，再由后处理层根据语境、通假字库和领域词表给出规范化建议。
古籍版面分析的难点在于“结构识别”和“顺序还原”。一个合格的版面引擎至少应具备以下能力：
在实际项目中，建议用一批具有代表性的复杂版面样本进行测试，例如带有大量朱笔批注的抄本、上下分栏带夹注的刻本、图文混排的医方图谱等。只有通过这类样本验证，才能判断版面解析是否真正满足研究需求。
准确率是古籍OCR最直观的指标，但不应只看单一数字。对于规范刻本，优质系统的识别准确率可以达到99%以上；对于模糊抄本，能稳定在95%左右已属优秀。
更重要的是系统是否输出置信度。置信度可以帮助使用者快速定位低可信字符，实现“人机协同校对”。例如，将置信度低于阈值的字符用不同颜色标出，校对人员只需重点关注这些位置，而不是逐字通读全文。这种机制能显著降低后期人工成本。
下面结合中医古籍校勘场景，给出一个通用的技术流程。该流程不依赖任何特定品牌，使用常见的云上能力即可实现。
首先需要对古籍进行高分辨率扫描，建议不低于300DPI，珍贵善本可提高至600DPI。扫描后使用图像预处理手段改善识别条件，例如：
这些操作可以使用传统图像处理库完成，也可以借助云上的人工智能服务进行批量处理。
将预处理后的图像送入OCR引擎。引擎先进行版面分析，识别出正文区、注文区和图表区，再对文字区域进行行切分和字符识别。
对于竖排文本，输出时应保留从右至左的列顺序；对于夹注，应能区分正文与注文的不同层级，并在结果中标记出来。例如，可以使用类似下面的结构化标记：
[正文] 太陽病，頭痛發熱，汗出惡風者，桂枝湯主之。[夹注] 風邪傷衛，衛氣不固，故汗出惡風。
这种结构化输出对后续数据库建设和文本挖掘非常重要。
识别结果不应直接入库，而应经过一轮自动后处理。后处理包括：
例如遇到“反”字，系统可以结合上下文判断是否为“返”的通假字。这类判断需要引入领域语言模型或规则库，而不是仅靠通用语言模型。
即便识别率达到95%以上，对于学术研究来说仍需人工校对。此时置信度机制可以发挥作用。系统将低置信度字符高亮显示，校对人员优先处理这些位置，可以在保证质量的同时大幅提升校对速度。
校对完成后，将修改结果回流到后处理系统，形成“识别—校对—反馈—优化”的闭环。对于长期项目，这种数据积累会逐步提升整体识别效果。
一个古籍项目可能涉及数十部甚至数百部文献，每部文献又包含成百上千页图像。单张处理无法满足效率要求，必须支持批量提交和并行处理。
在云环境中，可以结合对象存储存放原始扫描件，使用消息队列或任务调度服务管理识别作业，再将结构化结果写回数据库。这样既能保证吞吐量，也便于追踪每一页的处理状态。
古籍数字化往往涉及珍贵文献，部分项目对数据安全有严格要求。选型时需要关注数据存储位置、传输加密、访问权限控制等能力。对于科研团队来说，还应考虑是否支持开具正规票据，以便项目报销和审计。
通用古籍OCR模型已经能覆盖大部分常见文献，但在特定领域，如中医、方志、宗教文献中，仍可能出现生僻字和特殊用字。此时需要评估系统是否支持增量训练或自定义词典。
对于大多数团队来说，直接训练一个完整OCR模型成本过高，更现实的方案是使用自定义词典和后处理规则来提升领域适配性。例如，将中医常用异体字对照表导入系统，提高“脈—脉”“癥—症”等词的匹配优先级。
古文字识别早已不是简单地把图片转成文字，而是一套融合图像处理、版面分析、字符识别、领域知识工程的综合能力。对于中医古籍整理、历史文献研究和数字人文项目而言，选择适合的OCR方案可以显著缩短文献数字化的周期，让研究者把更多精力放在校勘、考证和学术分析上。
在实际选型中，建议从字符覆盖、异体字处理、版面解析、置信度反馈、批量处理和数据安全等维度进行系统评估，并用真实的项目样本做小规模验证。只有经过实践检验的方案，才能真正扛住古籍数字化过程中的复杂挑战。