PDG科普篇.doc

PDG科普篇
PDG科普篇
作者：马健
邮箱：stronghorse_******@
主页：/
发布：
事先声明：
1、本文仅代表我自己的个人观点，没有必要争论：如果发现硬伤，欢迎指正；如果仅仅是有不同意见，请自己另写一篇去。
2、本文可以转载，但是必须注明转自读书园地，并注明原作者为strnghrs，并且不能对原文作任何删改，否则视为非法盗版。
3、本文写作过程中得到coolman的指正，在此表示感谢！==========================================================================新手初到园地，大概最心烦的就是与PDG相关的各种专有名词，包括图像版、文字版、清晰版、大图版、快速版、6xH等等，本文对此作一个简要说明，希望能起到扫盲的作用。我个人认为，其实上面说的几个概念关系并不复杂，可以用下面的示意图（此图为strnghrs原创，版权所有，盗用必究）说明：
　　　　　　　　　　　　　　　　　　　　　　PDG文件
　　　　　　　　　　　　　　┏━━━━━━━━┻━━━━━━━━┓
　　　　　　　　　　　　图像版PDG　　　　　　　　　　　　　文字版PDG
　　　　　　　　　　（文件名无下划线）　　　　　　　　　（文件名带下划线）
　　　　　┏━━━━━━━━┻━━━━━━━┓　　　　　　　　　┃
　　　　清晰版　　　　　　快速版　　　　　大图版　　　　有人说好，有人不要
　　　　　┃　　　　　　　　┃　　　　　　　┃　　　　可能采用各种加密格式，
　　追求的目标　　　　　淘汰的目标　　　比快速版强　　解密后是图文混排的PDF
　常为02H、04H　　　常为05H、AxH、6xH　　非加密
解密后是CCITT、JPG　　解密后是DjVu　　JPG、PNG改名，原版ssreader不认PNG当然对新手来说这个图理解起来有点困难，下面就加以详细解释。建议在看下文的时候，注意对照此图，以加深理解。在早期PDG还处于“老子的队伍才开张”的时代，PDG文件都是用扫描后的图像文件产生的，骨子里还是一种图像格式，用官方浏览器ssreader打开后不能搜索、选择、复制文字，要想获得文字信息只能选择OCR。这样的PDG通常称为图像版PDG。图像版PDG由于是从原书扫描成的，因此完全忠实于原书，包括版式、字体、插图等。但是图像文件毕竟太大，会给服务器、网络出口造成压力，而且不能直接搜
索、复制文字也不便于使用，因此后来采用OCR引擎对扫描图像进行文字识别，再经ZIP压缩、按PDG文件格式加密封装等步骤后，出炉了一种骨子里是图文
混排的PDF文件的PDG。这种PDG文件在ssreader里阅读时，能够直接搜索、选择、复制其中的文字，放大显示时文字也不会出现锯齿，因此被称为
“文字版PDG”，以区别以前的图像版PDG。而在文件名上二者也有区别：图像版PDG文件名是6位，没有下划线；文字版PDG文件名长度不固定，中间有
下划线。到目前为止，没有任何一家OCR引擎敢保证自己的识别率是100%，事实上，我很怀疑未来有任何一家正常的软件公司敢下这样的保证。因此传统上认为文字版
PDG不如图像版PDG靠得住，可能会因为OCR的差错而出现错别字，影响阅读、引用。这就是为什么在园地很多人求书时指明不要文字版PDG的原因。不过
从我个人的实际经验看，早期纯靠OCR生成的文字版PDG确实存在一些问题，但是后期某些文字版PDG是直接用从出版社获得的原始排版文件生成的，没有
OCR环节，不仅没有什么错别字（原书有错的除外），而且完全体现原书版式，还是很值得收藏的。当然，这样的高质量文字版PDG只能靠运气，赶上了就有，
赶不上也没办法。文字版PDG虽然文件短小，但OCR毕竟是一个费时、费力的活儿，把所有书籍全变成文字版PDG显然不太现实。因此为了减轻服务器和网络的压力，在图像版PDG中又出现了清晰版、快速版的区别。换句话说，文字版PDG是不分什么清晰版、快速版的。按照常规定义，采用300 DPI扫描得到的PDG称为“清晰版”，采用150
DPI扫描得到的称为“快速版”。由于DPI差了一倍，对于同一页书，清晰版的长、宽是快速版的2倍，文件长度当然也要大一些，但是文字、插图会更清晰。
在园地区别清晰版与快速版的常规做法是：用ssreader打开，如果按100%显示就是快速版，按50%显示就是清晰版。这种鉴别方法武断了一点，不过
在大多数情况下还算有效。而在ssre