对着古籍PDF一个字一个字抄？AI识别几分钟搞定全文

一、你是不是也这样摘古籍

深夜十一点，你打开一本刚找到的影印版《县志》，终于翻到那段对论文至关重要的材料。

想复制粘贴？影印PDF里的文字根本选不中。想截图识别？打开WPS或某在线OCR，繁体字认出一半，竖排文字直接乱成一锅粥，异体字更是全军覆没。

最后你只能打开记事本，左边放PDF，右边打字，一个字一个字地敲。摘完一段，眼睛都看花了。

"主要为了方便把需要的文字摘录出来。"这是我一位客户的原话。他读古籍、做术数研究，手里攒了几十本影印PDF，以前摘一段就要手抄半天。

你是不是也这样？

用通用OCR试过，识别率只有10%到80%，改起来比手抄还慢。找人工录入？一本200页的古籍，一个古文专业的研究生要抄一个月，成本五六千起步。量大一点的资料集，人工费用直接上十万。

二、有人已经走出了这条路

但有一批人，早就不用这么苦了。

上海古籍出版社的"汇典"平台用上了专门的古籍OCR大模型，识别准确率达到了93%。华南理工大学金连文团队的测试更惊人——对敦煌遗书的识别率高达97%。

什么概念？

以前一本几百页的古籍扫描件，需要一个古文专业的研究生花一个月手抄。现在丢进专门训练过的AI模型，几分钟后出来的文本，竖排、繁体、异体字都认对了，连夹注小字都没漏。

金连文教授说过一句很实在的话："即使识别的准确率不高，也能大大减轻工作量。要研究一个古文字演化，可以通过信息检索从大量古籍中快速找到相关内容。"

识典古籍平台已经用这套技术整理上线了6820部古籍全文检索。字节跳动和北大合作的这个项目，证明了一件事：技术已经成熟了。

你不用是出版社，也不用有国家课题经费。个人研究者完全可以走同样的路径——把影印古籍上传，AI自动识别，然后建立自己的可搜索知识库。以后查内容不用一页一页翻PDF，输入关键词就能定位到具体段落。

三、关键不是买更贵的软件

很多人第一反应是：那我买个更贵的OCR软件？

没用。通用OCR根本不认识古籍里的字。

真正有效的做法只有三步：

第一步，上传影印资料。 把古籍PDF、扫描图片、甚至手机拍的资料照片丢进去。

第二步，AI自动识别。 但不是普通OCR，是专门训练过古籍语料的模型。竖排、横排、繁体、异体字、旧字形甚至残损字，都能认。

第三步，建立个人知识库。 识别完的文本不是放着看的，而是可以搜索、摘录、标注、整理的活资料。

但说实话，很多人卡在了第二步和第三步之间。

识别出来了，怎么快速校对？怎么保证阅读顺序不乱？多栏报纸杂志怎么不串行？怎么把结果真正变成"能用"的知识库，而不是一堆需要重新整理的乱码？

这些细节，才是决定你能不能从"有工具"走到"真省心"的关键。

四、完整方法我整理好了

说实话，不是所有古籍都能直接跑出93%的准确率。图片清晰度、版面复杂度、字体类型都会影响结果。特别模糊或者破损严重的页面，还是需要人工辅助。

但对于大部分影印版古籍、地方志、报刊杂志来说，专门的古籍OCR模型已经能帮你完成80%以上的工作量，剩下的就是校对和整理。

我把完整的操作步骤整理好了，包括图片预处理技巧、识别参数调优、校对 workflow、以及知识库搭建的具体方法。需要的扫码加微信聊。

这里是蓝创工坊 AI 工作室，专注提供 OA（业务自动化）的智能体解决方案，帮研究者和资料整理者把"重复劳动"变成"一键完成"。

蓝创工坊 AI 工作室 | 让业务自动化真正落地