Matrix 首页推荐
Matrix 是少数派的写作社区，我们主张分享真实的产品体验，有实用价值的经验与思考。我们会不定期挑选 Matrix 最优质的文章，展示来自用户的最真实的体验和观点。
文章代表作者个人观点，少数派仅对标题和排版略作修改。
（本文的一个早期版本发布在博客上；另见 Hacker News 上的补充评论。）
使用体验
上个月，我在一个开放课程的阅读材料中看到一本很老的教材，有点兴趣想看看，但为了这个海淘既不方便也没必要。况且这本教材实际上是个读本，有接近六百页厚，本来就只适合零敲碎打地翻看，实体版那种砖头想想还是算了。
随后我就想到了逛 Hacker News 的时候看到过好几次有人提及一种寄送扫描服务，可以远程帮你把实体书扫成电子版，就决定试试相对有名的 1DollarScan.com。
1DollarScan 的服务流程大致是，你把书寄给他们，或者直接下单到他们的地址，他们会帮你切开书脊扫描，发给你 PDF，然后直接回收。当然你可以找个打印店帮你这么做，但 1DollarScan 的优势是把整个流程产品化和自动化了。
我想要的那本书在亚马逊上有二手的卖，不错成色只要 3 到 4 美元左右（原价是典型的教科书价格——140 美元，如果你也觉得这是一种犯罪，垄断就会造成这种结果）；这么算下来，十美元之内就能搞到这本书的电子版，感觉可行。
下单流程
但实际成本要比这高不少。首先，1DollarScan 实际上已经变成了 1.2DollarScan，定价是每百页 1.2 美元（他们称之为「一套」[set]）。套数永远是向上取整，所以最后的零头是最贵的。
还不止这些。下单的时候，1DollarScan 还兜售一些附加服务，看起来每个一两美元，倒不贵，但其实都是按套数收取的，加起来蹭蹭的。比较迷惑的是，默认选中的 OCR（1 美元）和文件名匹配书名（1 美元）几乎是应该无脑取消的，因为自己做未免太容易了。
反倒一些没有选中的更像是必选：每套多付 1 美元才能从亚马逊直接下单过去，每套多付 2 美元才能将时效从扯淡的 40-60 天缩短到 5-10 个工作日。加上以后，扫描我那本书的成本就是 ($1.2 + $1 + $2) × 6 = $25.2，比我想得高多了。（还有一个每套 2 美元的「优质处理」[high quality touch-up] 服务，可以将扫描分辨率从 300 提高到 600 dpi，还会有人手动帮你矫正扫描结果，但那对教科书肯定没必要了。）
如果你身经百战见得多了，这时候应该已经嗅到了订阅的铜臭味——恭喜你猜对了，每月交 19 美元，就可以免费扫 10 套，并且送除了高分辨率扫描之外的附加服务。虽然我一个月内也不见得会在那扫第二次，但掰手指毕竟是便宜一点，就会员了一个月，然后从美亚下单开始等。（会员似乎还是限量的，并不是一直能买。）
……等了又等。美亚快递 8 月 28 号就送到了，但后台花了两天才显示收到。至于开始扫描，已经是 9 月 5 号的事了，但是一直显示「正在裁切」，裁了五天突然跟我说扫完了。理论上，这中间总共是六个工作日（有一天美国劳动节放假），倒是在承诺的范围内，但扫一本书要这么久，体感确实够慢。
（作为对比，我同期还在淘宝上随便找了家店，从京东寄了本差不多厚的书过去扫描，一页五分钱，淘宝平均水平。收到以后两个小时不到就麻溜给我了。）
文件交付
扫完以后，他们会发一个直链，三十天有效。下载页还有一个「微调」[fine-tune] 的免费功能，就是根据你选的设备屏幕，帮你裁掉白边、压低分辨率，理论上更好读。不过上面的设备大多都是六七年以前的了，而且压得一言难尽，字都看不清了，所以还是省省吧。
至于扫描本身，图像质量总体还行，但对比度偏低，某些字母的衬线部分比较模糊；有些页面倾斜了 0.5—1 度，不是大问题，但很容易看出来。OCR 比较准确，但有的地方没处理好双栏布局。最头疼的是文件有 433 MB 大，估计就是扫描仪直出的照片拼起来的。如果这是以图为主的书，倒是挺保真的，但对于几乎都是字的教材，一本书几百兆未免太不环保了。
总之，如果打个分，我觉得 1DollarScan 的体验能得个 B-：宣传的确实做到了，但这收费也不算低了，要求价格更透明、进度更新更及时准确、文件处理更合理，应该不过分吧。
一点法律问题
很遗憾，这种图书代扫服务多少有点涉及版权问题的模糊地带。这是因为无论中美，扫描整书在性质上都属于对作品的复制行为，而复制是属于版权人的排他性权利（17 U.S.C. § 106(1)；著作权法 §10(5)）。因此，只有证明这么做构成合理使用，才是合法的。
至于合理使用的判断规则，美国法律规定整体考虑四个因素：(1) 使用的目的和特征，(2) 受版权保护作品的性质，(3) 使用部分的数量和比重，以及 (4) 对潜在市场或作品价值的影响（17 U.S.C. § 107）；而中国法律一般被解读为依次考察三个问题：(1) 是否属于法定的合理使用情形之一，(2) 是否未影响作品的正常使用，以及 (3) 是否未不合理地损害权利人的合法权益（著作权法 §24）。
从用户的角度看，论证合理使用的理由相对充分，毕竟你已经花了钱买书，而且也只是个人自用。虽然复制了整本书，但根据美国最高法院在 Betamax 案（关于家用电视录像设备的合法性）中的观点，制作作品的完整副本供个人日后观看，属于合理使用。而且说实在的，扫一两本书自己看也不涉及几个钱，不太可能有出版商闲到来针对你。（这不是法律建议。）
但对于服务方来说，风险就要大一点。虽然在知名的谷歌图书案中，谷歌的数字化行为被判定为不侵权，但他们的扫描不是作为付费服务出售，而且公开展示的部分很有限。（但谷歌在国内输了这个官司。）另一方面，最近判决的互联网档案馆一案则认定全书扫描行为不能算「转换性使用」，因此也不构成合理使用。当然，像 1DollarScan 这样的服务跟它们还不太一样，毕竟文件是一对一、短暂提供的，而不是用于公众服务。但这一论点尚未在法庭上得到检验，所以谁知道呢。此外，台湾「智慧财产局」曾答复指出读者自己扫描全书——在台湾称为「自炊」——是合理使用，但扫描店收费帮扫则可能有问题。但台湾法规条文不同，这一结论也仅能参考。
（1DollarScan 显然是知道有法律风险的，所以在多处明确声明不会扫描一批讼棍出版商出的书。）
当然，就国内使用而言，比起版权问题，这类服务更可能受到出版物管理相关规则的限制。但这也没什么好分析的，个中边界请自己评估。
优化扫描文件
前面提到，1DollarScan 发来的 PDF 对比度不够高、有的页面歪了，文件也太大。于是决定自己优化试试。
注： 我对图像处理的了解不多；以下方法是我临时抱佛脚速成的，可能有错，欢迎批评。
检查并拆分 PDF
首先看看为什么文件这么大：
pdfimages -list book.pdf注： pdfimages 包含在 poppler 包中。
输出如下：
page num type width height color comp bpc enc interp object ID x-ppi y-ppi size ratio
--------------------------------------------------------------------------------------------
1 0 image 2251 2766 rgb 3 8 jpeg no 4 0 300 300 895K 4.9%
2 1 image 2251 2766 rgb 3 8 jpeg no 8 0 300 300 127K 0.7%
3 2 image 2134 2773 rgb 3 8 jpeg no 12 0 300 300 173K 1.0%
4 3 image 2134 2773 rgb 3 8 jpeg no 20 0 300 300 244K 1.4%
5 4 image 2122 2768 rgb 3 8 jpeg no 27 0 300 300 130K 0.8%
...也就是说虽然绝大多数页面都是黑白的，图片都用的彩色。为了调整，得先把图片都导出来：
pdfimages -j book.pdf book这个命令输出的文件格式是 book-000.jpg、book-001.jpg，以此类推。
使用 ImageMagick 压缩黑白图片
然后就可以上 ImageMagick 了。经过各种试错，我最后找到的命令是：
for i in book*jpg; do
magick "$i" \
-deskew 40% \
-level 50x100% \
-colors 2 -colorspace gray -normalize \
-compress Group4 proc.${i%.jpg}.tif
done分别解释如下：
去斜： 首先， -deskew threshold{%} 选项尝试将图像拉直。根据文档，40% 的阈值适用于大多数图像，我试了确实如此。
增加对比度： -level black_point{,white_point}{%} 可以增加对比度，这样比较细的笔画就不会看不清了。这里，50 的黑点值是指将图片色彩范围中较暗的 50% 全部变成纯黑色。
注意，magick 的选项顺序是不能互换的：对比度调整必须在后面调成黑白之前，否则到时候浅色已经变成白色，再改就晚了。
黑白化： 接下来的几个选项会使图像变成单色。ImageMagick 本来是有一个专门的 -monochrome 选项，但它有一个副作用，会让较亮和较暗的像素都变得更加极端，在我的测试中，会导致一些页面出现伪影。
因此，我改用 -colors 2 和 -colorspace gray 的组合，这是指把原图压缩到只用两种颜色，然后变成灰度图像。之后， -normalize 选项进一步拉伸黑白对比。
压缩和输出格式： 最后阶段，-compress Group4 选项应用了 Group4 传真压缩，它对于黑白纯色图片特别高效，并以 TIFF 格式保存。我的测试中，这个组合能将所有页面的体积减少接近 90%。（还有种更节约空间的 JBIG2 算法，但我没有找到通过 ImageMagick 直接输出的方法。如果你后续用 OCRmyPDF 或 Acrobat 处理 OCR，它们会帮你转换成 JBIG2。）
单独处理含图页面
上面的命令对大多数页面都有效，但也有例外。书里有一篇文章包含大量图片，压缩成纯黑白效果就不好了。对于这些页面，我改用了以下命令：
for i in {408..424}; do # 单独处理的页面范围
magick "$i.jpg" -deskew 40% -colorspace gray -depth 4 "proc.$i.jpg"
done这里，我没有再压缩成纯黑白，而是用 -depth 4 选项压缩成 16 级灰阶。然后把输出的 JPG 用 ImageOptim 以 60% 质量再压缩一遍。最终结果比原图大约小了 40%。
执行 OCR
优化了单个页面后，接下来重新拼起来执行 OCR 就行了。如果要用开源工具，tesseract 识别英文文档就挺不错：
find . -name 'proc*' | sort | tesseract - book.ocr pdf这里，- 从 STDIN 读取输入，后两个参数分别是文件名（不带扩展名）和输出格式。
然而，tesseract 在测试的时候分不清分栏文本，所以我最后还是用回了 Acrobat，识别结果非常完美。（谁都烦 Adobe，但必须承认它在 PDF 处理方面仍然一骑绝尘，处理 CJK 文档就更是这样了。）
创建目录
我最后想在文件里嵌一个目录。为此，虽然可以在 Acrobat 里手动标记，但那样就太繁琐了。
然后发现可以求助于 PDFtk，它支持通过命令和模板将目录写入 PDF。为此，需要准备一个书签数据文件，格式如下：
BookmarkBegin
BookmarkTitle: (title)
BookmarkLevel: 1
...注： PDFtk Server 官方安装包中的版本已经无法在 Apple silicon 上运行了，需要用 Homebrew 里的 pdftk-java 包。
但是如何获取标题和页码呢？如果是在过去，我大概会从 OCR 处理过的目录页中复制文本，并使用一些正则表达式和 vim 技巧清理。但现在是 2024 年，所以更简单的方法是让一个 LLM 为你跑腿，像 Gemini Flash 和 GPT Mini 这样的廉价型号就足够了。以下是我的提示词：
The text below is copied from an OCR’ed table of contents. Try to fix errors,
extra/missing spaces, and other artifacts introduced by OCR and separate the
entry and page number with a tab (\t). Note that some entries may span two
lines, but your result shouldn’t break within an entry. Output in a code block.
[粘贴目录页的 OCR 文本]Gemini Flash 的结果完全符合要求。
然后需要考虑纸质版和电子版之间的页码差异。为此，将输出粘贴到电子表格中（所以刚才要求模型输出制表符分隔的结果），并使用公式和自动填充创建一个新列，其中的数字等于实体书页码加上一个固定差值（自己掰手指算算就行了）。
接下来，隐藏物理页码列，创建三个包含数据文件模版中重复部分（包括换行符）的新列，如下图所示。
将整个表格复制并粘贴到文本编辑器中，删除所有制表符，这就是生成目录所需的数据文件。不过注意 PDFtk 在其文档中提到所有非 ASCII 字符必须编码为 HTML 转义形态，如果你的目录不是纯 ASCII（比如有中文），可以使用 he 来编码：
npx he --encode < toc.txt > toc.encoded.txt最后，将数据文件写入 PDF：
pdftk book.ocr.pdf update_info toc.encoded.txt output book.ocr.toc.pdf这样一来，一份经优化的电子版就做好了，大小只有 1DollarScan 直出版本的 1/10，并且对比度更清晰、OCR 更准确，还有方便阅读的目录。
