Joffoo's blog

The ethereal flight, oft rehearsed in the theater of one's dreams...

OCR 电子书之我见(续)

在上一篇《OCR电子书之我见》里,我介绍了配合 Antigravity 使用的全自动制作电子书的 Skill(pdf-book-ocr)。

那个方案虽然能跑通,但实际用下来有两个问题:

一个是慢。整本书全靠多模态大模型做视觉转录,中途要等挺久;

另一个是费 token。一整本书的页面全当成图片传给大模型,token 消耗相当大。如果中途格式不理想需要重试,用量掉得就更快了。

秉承着“面向小红书编程”的优良传统,我在评论区网友的安利下看到了 SoMark。

去官网看了一下,发现它是专门做文档解析的工具,目前每个月有 2000 页的免费额度,每天限 500 页,个人平时转几本书完全够用。

试了一下,在识别速度上确实比通用大模型快得多,排版的还原度也算不错。既然有了轻量且专业的工具,大模型就完全不需要再当“抄书苦力”了。

于是我重新写了一个新的 Skill:somark-book-epub。

篇目语义切片

这次最大的改动,是放弃了上一代每 15 页硬切一刀的做法,改成按真实篇目切片。

只要切片的物理边界就是文章的自然章节,切片末尾正好是文章结尾,跨切片的断句问题就从根本上消失了。上一版写的那些接缝检查、断句拼接代码,直接全部删掉。

实现起来分两种情况:

  1. PDF 自带书签大纲:脚本直接按书签层级和页码,把全书切成一个个独立的章节 PDF;
  2. 纯扫描件、没有书签的 PDF:书上印的页码,和 PDF 阅读器里的物理页码往往对不上,前面有封面、扉页、序言和目录占了十几页。脚本会先导出前十几页做个预览,我们翻一下正文第一章在 PDF 里的实际页码,拿它减去目录上印的页码,就能算出固定的偏移量。比如第一章印的是第 1 页,在 PDF 里实际是第 12 页,偏移量就是 +11。把目录上的页码全加上 11,就能准确按篇目切开。

大模型作为“编辑”

底层的文字识别和配图下载交给工具后,大模型只需要负责校对文本。

比如:OCR 输出时,经常把图片正下方的短说明(比如“工作台前的我。”)识别成普通正文,导致这段图注带着首行缩进混在故事里,显得很不协调。

大模型负责判断图片下方的短句是不是在给图片做说明,如果是,就提取到 Markdown 图片语法 ![工作台前的我。](...) 里面,并在正文中删掉这一行。这样编译出来的 EPUB 就会呈现正规居中、无缩进的图注样式。

结语

这个新 Skill 已经开源在 GitHub,支持在各种 Agent 工具中作为 Skill 使用。有需要的朋友可以去 SoMark 注册一下,复制 API key 配合使用。

文章目录

  1. 篇目语义切片
  2. 大模型作为“编辑”
  3. 结语

Proudly powered by Hexo and Theme by Hacker
© 2026 Fengyukongzhou