如何制作一本扫描版 PDF 电子书

By Tom Ben | | 13 minutes
🔖 Note
本文首发于 少数派

目录


为了方便地保存与分享书籍，我们往往需要将纸质书电子化，而最常见的方式则是通过扫描将其保存为 数字世界的纸张——PDF。选择合适的扫描工具与方法，可以提高 PDF 的扫描质量。此外，与直接得到的原版 PDF 相比，扫描版 PDF 一般没有书签，页码往往也不正确，需要进行调整。为了提高处理扫描版书籍的效率，得到一本「功能完备」的 PDF 书籍，下面分享一些我的技巧。

使用手机扫描

尽管有专门的扫描仪器用于扫描文件，但为了扫描书籍，手机基本上就足够了。市面上已有很多扫描 App 可供选择，比如 iOS 系统自带的备忘录、白描、Microsoft Lens、Scanner Pro 等。

在 iOS 上，我选择了完全免费的 vFlat Scan（也有 Android 版本），主要是因为它有一些专门为扫描书籍而设计的功能，包括：

  • 扫描区域自动识别：自动识别要扫描的文档或书籍的边框，无需手动裁剪。
  • 自动捕获：识别扫描目标并自动捕获，无需反复点按，在扫描数百页的书籍时很有用。
  • 展平弯曲的页面：自动拉直书页的曲面，无需拆书。
  • 自动去除手指：在需要用手指将书籍平铺的场景下，可以移除书籍边缘的手指印记。
  • 双页捕获：自动捕捉书籍的左右页，分割为两页保存。
vFlat Scan 自动识别双页并保存为两页 vFlat Scan 自动识别双页并保存为两页

值得一提的是，vFlat Scan 的「双页捕获」功能在扫描书籍时非常实用，能够有效减少扫描的工作量。当然，如果某些场景 vFlat Scan 识别双页不准确，你也可以关闭这个功能，在后期处理时使用 MuPDF 或 Briss 分割扫描得到的 PDF。

📖 关联阅读
批量下载、处理图片和 PDF，这些任务你可以在命令行中完成
使用 vFlat Scan 扫描得到的两页 PDF 使用 vFlat Scan 扫描得到的两页 PDF

除了选择趁手的软件外，扫描书籍的物理环境也很重要，推荐观看这几个非常专业的扫描书籍的 视频教程。值得一提的是，光线对于扫描书籍来说非常重要，既要保证光线充足，又要考虑光线的角度以避免不必要的阴影，在尝试了很多方案之后，我发现「屏幕挂灯」较好地满足了这个需求，因为它特殊的照明角度，不会造成反光或阴影。

由于各种原因，扫描过程中难免会产生一些噪点甚至黑边，虽然这些细节「无伤大雅」，但对于我这样的强迫症来说，是无法忍受的。如果有这种情况，我一般会使用 PDF Expert 的 隐藏工具 将其移除，具体使用方式见下图。

使用 PDF Expert 移除 PDF 中多余的元素 使用 PDF Expert 移除 PDF 中多余的元素

识别 PDF 文字

「使用手机扫描」之后，纸质书电子化就完成了第一步。很多情况下到这一步就可以了，但是为了让电子版书籍更加完善，还需要进行进一步的处理。而为了搜索 PDF 中的内容，或阅读时进行批注，首先就要识别其中的文字，即 OCR（光学字符识别）。扫描得到的 PDF 文件实际上是一系列图片，而 OCR 则是在其上层增加一层文字图层，已有很多工具可以对 PDF 进行 OCR，我主要使用 Adobe Acrobat 和 DEVONthink。

Adobe 作为 PDF 标准的创立者，旗下的 Acrobat 自然也是最 versatile 的 PDF 软件，缺点就是界面太丑且价格很贵。但如果你订阅了 Adobe，那么可以使用它对 PDF 进行 OCR，效果几乎可以说是无出其右。如下图所示，在 Acrobat 中打开一个扫描版 PDF，点击右侧的「Scan & OCR」，然后在上方点击「识别文字」，选择语言，确认之后，Acrobat 就会自动开始 OCR。

使用 Adobe Acrobat 对 PDF 进行 OCR 使用 Adobe Acrobat 对 PDF 进行 OCR

除 Adobe Acrobat 外，我也会使用 DEVONthink 对 PDF 进行 OCR。DEVONthink 使用的是著名的 OCR 引擎 ABBYY，效果同样也是非常不错的。使用方式也很简单，只需在 DEVONthink 中选中 PDF，右键选择「OCR -> to searchable PDF」即可。

在 DEVONthink 中对 PDF 进行 OCR 在 DEVONthink 中对 PDF 进行 OCR

除了 Adobe Acrobat 和 DEVONthink 这两种付费方式外，也可以使用 OCRmyPDF 这个开源的命令行工具免费对 PDF 进行 OCR。

📖 关联阅读
通过 OCRmyPDF 实现在扫描版 PDF 中检索文字

另外值得一提的是，在 Apple Silicon Mac 上，macOS 自带的预览（Preview）可以像识别图片中的 实况文本 那样，识别扫描版 PDF 中的文本，iOS 自带的「文件 App」也有类似的功能 1。在轻量使用的场景下，比如从 PDF 中复制一些文字，这个功能非常实用，而不需要对整个 PDF 全部 OCR。

在 Apple Silicon Mac 和 iOS 上，可以选中扫描版 PDF 中的文字 在 Apple Silicon Mac 和 iOS 上，可以选中扫描版 PDF 中的文字

制作 PDF 书签

PDF 书签（bookmark）是指导航窗格的书签面板中的超链接文本，对应着不同的页码，一般也叫作「目录」或「大纲」。

使用 PDF Expert 打开带有书签的 PDF，书签显示在左侧，如果 PDF 没有书签，此处则显示为空白 使用 PDF Expert 打开带有书签的 PDF，书签显示在左侧，如果 PDF 没有书签，此处则显示为空白

PDF 书籍动辄几百页，为其添加书签有助于在不同章节之间方便地跳转，让扫描后的 PDF 更加「电子化」。为 PDF 添加书签，看上去是一项略显复杂但又很常见的需求，有不少 网友 提供了自己的解决方案，其中就包括 派友 的分享。针对为书籍 PDF 增加书签这个需求，我的解决方案是使用命令行工具 PDFtk。

PDFtk 是一个处理 PDF 文件的工具，包括 PDFtk Free、PDFtk Pro 和 PDFtk Server，其中的命令行工具 PDFtk Server 可以免费使用，适用于 macOS、Linux 和 Windows。PDFtk 没有被 Homebrew 的官方源所收录，因此在 macOS 上使用 Homebrew 安装之前，需要先添加一个 Tap (Third-Party Repository) brew tap zph/cervezas，然后执行 brew install zph/cervezas/pdftk，就可以安装了。

下面以《遏制民族主义》这本书为例，说明如何为 PDF 书籍制作书签。

制作目录标题

制作 PDF 书签前，需要提供书签信息，即章节名称和对应的页码，以供 PDFtk 读取并写入 PDF 文件中。好消息是书籍的目录标题一般都很容易获取，不需要自己手动编辑，一般来说，豆瓣、Amazon 或出版社官网页的书籍介绍页都会提供目录，我们只需要复制它，然后将其保存为 heading.txt。

豆瓣读书上《遏制民族主义》的目录 豆瓣读书上《遏制民族主义》的目录

PDF 书签和 Markdown 中的标题一样，也是有层级的，比如在《遏制民族主义》这本书中，第一章 民族主义的困惑 是一级标题，民族主义的界定 则是二级标题。为了对不同的标题层级进行区分，我们借用 Markdown 的语法，将其改写为：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# 出版说明
# 目录
# 第一章 民族主义的困惑
## 民族主义的界定
## 治理单元
## 民族
## 民族的突出特征
## 民族主义的类型
# 第二章 民族主义的起因
## 群体的形成
## 群体团结的决定因素
## 为何民族主义是现代的事物
## 谁是民族主义者
## 什么制度才能遏制民族主义？
# 第三章 间接统治与民族主义的缺失
## 间接统治的兴起：原始国家形成理论
## 欧洲历史上的间接统治
## 欧洲殖民地的间接统治
## 结论
# 第四章 国家建设民族主义
## 直接统治的兴起
## 直接统治的影响
## 直接统治与国家建设民族主义
## 结论
……

为了提高效率，上述操作可以借用 正则表达式 进行批量查找替换，或者在 iA Writer 或 Typora 中使用快捷键操作。

📖 关联阅读
多种实际使用场景，正则表达式带来丰富可能性

制作目录页码

尽管豆瓣等网站提供了书籍的目录，但一般没有提供对应的页码，需要单独制作。这一步我们将目光转向扫描版 PDF 书籍中已有的目录，通过 OCR 将目录页码提取出来，可以参考下图使用 Clean Shot X OCR 页码的示例。

使用 Clean Shot X 的 OCR 功能提取目录中的页码 使用 Clean Shot X 的 OCR 功能提取目录中的页码

按照如上方式将页码全部提取出来，并保存为 pagenumber.txt。对于其中的空行，不必一个个手动移除，之后会在命令行中批量移除。

需要注意的是，通过 OCR 得到的页码是书籍页眉或页脚中注明的页码，并非 PDF 文件中的真实页码，这是由于书籍的第 1 页通常是从正文第一页开始计算的，在正文之前还有序言、致谢、目录等部分，而 PDF 的页码则总是从第 1 页开始计算的。在《遏制民族主义》这本书中，从 PDF 第 1 页开始计算，正文第 1 页实际上位于第 10 页，前面的 9 页是前言部分。

页脚第 1 页实际上是 PDF 的第 10 页 页脚第 1 页实际上是 PDF 的第 10 页

由于 PDF 书签的页码总是从第 1 页开始计算的，因此，通过 OCR 得到的每一个页码都需要加上 9。如果需要对正文之前的部分制作书签，可以在 pagenumber.txt 中手动输入对应页码减去前言部分的页码数。对于《遏制民族主义》这本书来说，「出版说明」和「目录」分别在第 4 和 7 页，减去 9 后分别是 -5 和 -2。下面的例子中，第一列数字是我们 OCR 和手动编辑后的结果，第二列数字是它们在 PDF 中对应的页码：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

-5 -> 4  # 出版说明
-2 -> 7  # 目录
1 -> 10  # 正文
5 -> 14
9 -> 18
10 -> 19
13 -> 22
15 -> 24
23 -> 32
24 -> 33
26 -> 35
29 -> 38
33 -> 42
36 -> 45
43 -> 52
45 -> 54
52 -> 61
57 -> 66
60 -> 69
68 -> 77
69 -> 78
71 -> 80
74 -> 83
79 -> 88
…

使用 Shell 脚本可以非常容易地实现上面这个转换：

1

cat pagenumber.txt | awk NF | while read line; do echo $((${line}+9)); done > realpage.text

上面这行命令，首先使用 cat 命令读取 pagenumber.txt 的内容，然后使用 awk NF 移除其中所有的空行，再将每行的数字加上 9（这个数字需要根据正文之前的页数确定），输出为 realpage.text。

合并标题和页码

将上面的目录标题和对应页码这两个文件合并到一起：

1

paste heading.txt realpage.text > bookmark.text

paste 命令 的作用是将文件逐行合并在一起，默认使用 Tab 键分隔两个文件中的内容，因此得到如下的结果：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# 出版说明	4
# 目录	7
# 第一章 民族主义的困惑	10
## 民族主义的界定	14
## 治理单元	18
## 民族	19
## 民族的突出特征	22
## 民族主义的类型	24
# 第二章 民族主义的起因	32
## 群体的形成	33
## 群体团结的决定因素	35
## 为何民族主义是现代的事物	38
## 谁是民族主义者	42
## 什么制度才能遏制民族主义？	45
# 第三章 间接统治与民族主义的缺失	52
## 间接统治的兴起：原始国家形成理论	54
## 欧洲历史上的间接统治	61
## 欧洲殖民地的间接统治	66
## 结论	69
# 第四章 国家建设民族主义	77
## 直接统治的兴起	78
## 直接统治的影响	80
## 直接统治与国家建设民族主义	83
## 结论	88
……

转换为 PDF 元数据

使用 PDFtk 导出一个带有书签的 PDF 文件的元数据信息，保存为 test.text：

1

pdftk input.pdf dump_data output test.text

打开 test.text 可以发现，PDF 书签信息的格式形如：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13

BookmarkBegin
BookmarkTitle: Section 1
BookmarkLevel: 1
BookmarkPageNumber: 10
BookmarkBegin
BookmarkTitle: Subsection 1.1
BookmarkLevel: 2
BookmarkPageNumber: 20
BookmarkBegin
BookmarkTitle: Subsubsection 1.1.1
BookmarkLevel: 3
BookmarkPageNumber: 30
…

容易发现，每个书签条目由 4 行组成：

  • BookmarkBegin：开始一个书签条目
  • BookmarkTitle：书签标题
  • BookmarkLevel：书签层级，用阿拉伯数字 1、2、3 表示
  • BookmarkPageNumber：书签的页码，从第 1 页开始计算

了解了 PDF 书签的构成方式，我们就可以使用 Perl 结合正则表达式，在命令行中将之前得到 bookmark.text 转换为同样的格式：

1
2
3

perl -i -pe 's/^#\s(.*)\t(\d+)/BookmarkBegin\nBookmarkTitle: \1\nBookmarkLevel: 1\nBookmarkPageNumber: \2/g; \
    s/^##\s(.*)\t(\d+)/BookmarkBegin\nBookmarkTitle: \1\nBookmarkLevel: 2\nBookmarkPageNumber: \2/g; \
    s/^###\s(.*)\t(\d+)/BookmarkBegin\nBookmarkTitle: \1\nBookmarkLevel: 3\nBookmarkPageNumber: \2/g' bookmark.text

得到如下的结果：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17

BookmarkBegin
BookmarkTitle: 出版说明
BookmarkLevel: 1
BookmarkPageNumber: 4
BookmarkBegin
BookmarkTitle: 目录
BookmarkLevel: 1
BookmarkPageNumber: 7
BookmarkBegin
BookmarkTitle: 第一章 民族主义的困惑
BookmarkLevel: 1
BookmarkPageNumber: 10
BookmarkBegin
BookmarkTitle: 民族主义的界定
BookmarkLevel: 2
BookmarkPageNumber: 14
…

写入书签信息

做好以上准备工作，下面就可以将 bookmark.text 写入 PDF 中。但是在进行这一步之前，如果该 PDF 本身就有书签信息，需要先将其移除。

PDF 已存在书签，但这并没有什么用…… PDF 已存在书签，但这并没有什么用……

首先使用 PDFtk 将 input.pdf 的元数据提取出来，保存为 metadata.text：

1

pdftk input.pdf dump_data_utf8 output metadata.text

然后使用下面的命令将其中已有的无用书签全部移除：

1

perl -0777 -i -pe 's/(NumberOfPages.*)[\s\S]*BookmarkPageNumber.*/\1/g' metadata.text

接下来将我们前面制作好的书签信息文件 bookmark.text 合并到元数据文件 metadata.text 中，最后再用 PDFtk 将更新后的 metadata.text 写入 PDF 中，得到带有书签的 output.pdf：

1
2
3

gsed -i '/NumberOfPages.*/r bookmark.text' metadata.text

pdftk input.pdf update_info_utf8 metadata.text output output.pdf

需要注意的是，这里使用了大多数 Linux 发行版预装的 GNU sed，而不是 macOS 预装的 BSD sed 2。因此在 Linux 上，需要将 gsed 替换为 sed，而在 macOS 上，则需要通过 brew install gnu-sed 安装 GNU sed。一般情况下，使用 PDFtk 更新 PDF 元数据使用的是 update_info，但这里使用了 update_info_utf8 这个选项，这是为了处理中文等非 ASCII 字符的 编码问题，而对于英文书籍来说，使用 update_info 就可以了。

分步执行以上各个步骤略显麻烦，可以将这些命令集中在一起，写在一个 Makefile 中：

 1
 2
 3
 4
 5
 6
 7
 8
 9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25

# Create bookmark info for PDF

.SILENT:
bookmark:
	# Format the pagenumber, and plus the number of preface
	cat pagenumber.txt | awk NF | while read line; do echo $$(($${line}+9)); done > realpage.text
	# Combine headings and pagenumber correspondingly
	paste heading.txt realpage.text > bookmark.text
	# Format the Heading one, two and three
	perl -i -pe 's/^#\s(.*)\t(\d+)/BookmarkBegin\nBookmarkTitle: \1\nBookmarkLevel: 1\nBookmarkPageNumber: \2/g; \
		s/^##\s(.*)\t(\d+)/BookmarkBegin\nBookmarkTitle: \1\nBookmarkLevel: 2\nBookmarkPageNumber: \2/g; \
		s/^###\s(.*)\t(\d+)/BookmarkBegin\nBookmarkTitle: \1\nBookmarkLevel: 3\nBookmarkPageNumber: \2/g' bookmark.text
	# Create the metadata information for the scanned PDF
	pdftk input.pdf dump_data_utf8 output metadata.text
	# Remove existing bookmark information if there is
	perl -0777 -i -pe 's/(NumberOfPages.*)[\s\S]*BookmarkPageNumber.*/\1/g' metadata.text
	# Insert `bookmark.text` to `metadata.text`
	gsed -i '/NumberOfPages.*/r bookmark.text' metadata.text
	# Append the bookmark information into the PDF
	pdftk input.pdf update_info_utf8 metadata.text output output.pdf

.PHONY: clean
clean:
	# Remove auxiliary files
	rm -f *.text

复制上面的代码，粘贴到文本编辑器中并保存为 Makefile。在制作好 heading.txt 和 pagenumber.txt 后，调整第 6 行 $${line}+9 中的数字，然后执行 make bookmark，就可以得到带有书签的 PDF 书籍 output.pdf，执行 make clean 则会删除中间过程用到的扩展名为 .text 的辅助文件。

调整 PDF 页码

使用 DEVONthink 或 Zotero 提取 PDF 中的批注时，会有相应的页码，而我在写论文引用该页的时候，想要看到的是页眉或页脚中的页码，而不是 PDF 中的页码。而前文已提到，书籍页眉或页脚中的页码与 PDF 中的页码并不一致，因此，需要对 PDF 的页码进行调整，使其与书籍页眉或页脚中的页码保持一致。一般来说，书籍的前言部分页码标签为罗马数字，正文开始使用阿拉伯数字，而正是这个原因，导致 PDF 的页码与书籍页眉或页脚中的页码不一致。因此，调整 PDF 页码就是调整对应的页码标签。

在 Adobe Acrobat 中，打开需要调整页码的 PDF，在左侧缩略图中选中页面，点击右键选择「Page Labels…」，然后在出现的「Page Numbering」窗口中进行调整，包括需要更改的页码范围、页码前缀、起始页码等，其中 Style 一栏包括 6 个选项：

  • 无页码标签 (None)
  • 阿拉伯数字 (1, 2, 3, …)
  • 小写罗马数字 (i, ii, ii, …)
  • 大写罗马数字 (I, II, II, …)
  • 小写英文字母 (a, b, c, …)
  • 大写英文字母 (A, B, C, …)
在 Adobe Acrobat 中调整 PDF 页码 在 Adobe Acrobat 中调整 PDF 页码

考虑到 Adobe Acrobat 需要付费使用，且体验不是太好，这里提供另外一种调整页码的方式——直接编辑 PDF 源文件。

为了直接在文本编辑器中编辑 PDF，我们首先使用 PDFtk 对 PDF 进行 解压缩：

1

pdftk output.pdf output uncompress.pdf uncompress

得到解压缩的 PDF 文件 uncompress.pdf 之后，就可以用文本编辑器如 VS Code 打开并编辑它。但考虑到扫描版 PDF 一般都很大，动辄几十甚至几百 MB，有百万行之多，用大多数文本编辑器打开都会卡顿，于是我们使用「编辑器之神」 Vim 来打开并编辑 PDF。

由于 PDF 的页码标签开头有一个独特字符 Catalog，因此可以在终端中输入 vim +/Catalog uncompress.pdf，就会在打开后将光标自动定位到 Catalog 所在的那一行。

接下来点击 j 移动光标到下一行，再点击 o 在下方插入一个空行并进入 Insert Mode，然后粘贴设置页码的文本，例如：

1
2
3
4
5
6

/PageLabels << /Nums [ 0 << /P (Cover) >>
                       1 << /S /R >>
                       4 << /S /r >>
                       24 << /S /D >>
                     ]
            >>

上面的示例中，0 << /P (Cover) >> 表示第 1 页的页码标签为 Cover（PDF 中第 1 页的索引是 0 而不是 1），1 << /S /R >> 表示 2–4 页的页码标签为大写罗马数字，4 << /S /r >> 表示 5–24 页的页码标签为小写罗马数字，24 << /S /D >> 表示从 25 页到最后一页，页码标签全都为阿拉伯数字。

粘贴完成之后，按下 Esc 键退出 Insert Mode，进入 Normal Mode，然后输入 :wq 保存更改并退出 Vim。

使用 Vim 打开与编辑 PDF 使用 Vim 打开与编辑 PDF

最后，再使用 PDFtk 将 uncompress.pdf 压缩回去 3：

1

pdftk uncompress.pdf output output.pdf compress

打开压缩之后得到的 output.pdf，可以看到，页码显示效果与预期一致，修改成功。

调整后的页码 调整后的页码

小结

在本文中，我分享了将纸质书籍扫描成 PDF 并对其进行 OCR、添加书签、调整页码等步骤，基本实现了纸质书的「电子化」。当然，其中的部分操作不仅限于扫描版 PDF，对于一般的 PDF 文件也是适用的。如果完成上述操作之后，PDF 的体积变得非常大，你可以选择将它压缩一下，然后就可以愉快地阅读与分享电子版 PDF 书籍了。

前段时间 Z-Library 被美国政府封禁，很多人无法再从上面下载电子书了。尽管 Z-Library 面临不少争议，但它和 Sci-Hub 一样，实实在在降低了大多数人 获取知识的门槛，让亚非拉地区的学生也能下载到动辄几百美元的教材，让身处中国大陆的人轻松读到南美文学，甚至让 独立研究 成为可能。

如果你恰好有一本稀缺甚至绝版的纸质书，不妨按照本文分享的方法，把它扫描成 PDF 分享在互联网上，说不定地球上某个角落的人正在焦急地寻找这本书呢。促进知识的开放，需要我们每个人做出自己微小的贡献。试想，没有其他人的上传，Z-Library 怎么可能会有如此丰富的书籍呢？这也是我写这篇文章的最初动机：发挥去中心化的力量，缩小获取知识的鸿沟，促进知识的开放。

  1. 我没有找到苹果的官方介绍，不清楚此功能对设备和操作系统的要求。由于 DEVONthink 3.8.6 也增加了此功能，推测是因为苹果开放了系统级的 OCR API。 ↩︎

  2. 因为 BSD sed 没有这个功能。 ↩︎

  3. 这是一个可选项，但压缩之后 PDF 的体积会小一些。 ↩︎