数字资源加工的常见格式——PDF、EPUB、XML、HTML、MOBI
把一摞纸质书变成数字资源，第一步不是买扫描仪，而是回答一个问题：加工成什么格式？ PDF、EPUB、XML、HTML、MOBI——这五个名字在项目方案里经常并列出现，但它们扮演的角色完全不同：有的负责“原样保存”，有的负责“灵活阅读”，有的负责“承接结构”，有的已经“功成身退”。格式选错，后面的加工、分发、再利用全部返工。这篇文章把五种格式一次讲清：各自解决什么问题、适合什么场景、在加工链路里处于什么位置。
一、格式是数字资源加工的第一个决策
数字资源加工不是“把纸变成电子文件”这一个动作，而是一条链路：纸质原件 → 数字化采集 → 格式加工 → 存储管理 → 发布利用。格式决策处在链路的中间，却决定两头：
- 决定采集端怎么做：扫描件的分辨率、色彩模式、是否要保留版式，都随目标格式不同而不同；
- 决定利用端能用什么：能不能检索、能不能重排版、能不能在手机上舒服地读、能不能二次加工成知识库语料，全是格式说了算。
很多项目翻车就翻在这里：花大价钱扫了几十万页，全部转成一种“看起来通用”的格式，结果存档的不符合归档要求、发布的不适配阅读器、想喂给大模型发现没有结构。格式先行，是数字资源加工的第一条纪律。
二、PDF：锁定版式的“纸面替身”
PDF 的核心特征是固定版式：你在哪台设备上打开，它都是同一副样子——文字位置、图片位置、分页方式全部锁死。这让它成为“纸面替身”：合同、公文、论文、画册，凡是“长什么样”和“写了什么”同样重要的东西，都用 PDF。
在加工链路里 PDF 有两个细分角色要分开看：
- 普通 PDF：用于日常分发阅览，体积小、兼容性好，但它只是“电子纸”，文字层可以检索，结构却没有——标题、正文、图表在文件内部并没有严格的逻辑区分；
- PDF/A：归档专用版本（ISO 19005 系列标准），禁止外部依赖、要求自包含、限制有损压缩，专门为“几十年后还能原样打开”设计。档案馆、图书馆的长期保存库通常指定 PDF/A。
一句话：PDF 负责“保真”，不负责“结构”。
三、EPUB：会随屏幕重排的电子书标准
EPUB 和 PDF 的思路正好相反：不锁版式，锁结构。一个 EPUB 文件（本质是一个 ZIP 包）里装的是 XHTML 章节文件、样式表和资源图片，阅读时由阅读器根据屏幕大小实时重排——手机上五寸屏和电脑上二十七寸显示器，看到的是同一本书的两种自适应排版。
这对数字出版意味着什么？一次加工，全终端适配。出版社不需要为不同尺寸的设备各做一版文件。
几个值得记住的事实：
- EPUB 3.3 由 W3C 于 2023 年 5 月发布为正式推荐标准，同时发布的还有配套的阅读系统规范和无障碍规范；
- EPUB 3 已被 ISO 采纳为国际标准（ISO/IEC 23736 系列）；
- 2022 年起，亚马逊的 Send to Kindle 服务放弃 MOBI/AZW 转而支持 EPUB，EPUB 事实上成为电子书通用交换格式。
在加工链路里，EPUB 是面向读者交付的终点格式：结构化内容加工完成后打包成 EPUB，进入各阅读平台分发。
四、XML：一切结构化加工的源头
XML 是五种格式里最不“面向读者”的一个，却是数字资源加工真正的技术核心。
XML 用标签描述内容的逻辑结构：这是章、这是节、这是标题、这是正文、这是图注、这是参考文献。一旦内容以 XML 存在，它就不再是“一页一页的样子”，而是“一棵结构树”——同一份 XML 源文件，可以套不同样式分别输出 PDF、EPUB、HTML、网页数据库版本。
这就是出版行业说的“一次加工、多次发布”：核心资产是 XML，PDF、EPUB 都只是它的“渲染结果”。学术出版用的 TEI、图书出版用的 DocBook、期刊常用的 JATS，都是 XML 的行业应用方案。
判断一个加工商专业不专业，看它交付什么：只交 PDF 的，做的是“扫描打印店生意”；能交结构化 XML 的，做的才是数字资源加工。
五、HTML：面向网络的原生载体
HTML 是网页的原生语言，也是 EPUB 内部章节文件的基础。在数字资源加工语境里，它的定位是网络发布的载体：在线文库、机构知识库、教育平台的课件页面，底层都是 HTML。
HTML 的优势是无需专用阅读器、天然联网、可交互：可以嵌入检索、批注、答题、统计脚本，这些是 PDF 和 EPUB 做不到或做不好的。数字教材、题库系统、在线知识库这类“资源要挂进平台跑起来”的场景，最终都以 HTML 形态落地。
它也有代价：HTML 文件依赖平台环境，离开网站就“散架”，不适合作为长期保存的归档格式——所以它和 XML 的关系通常是：XML 存结构，HTML 做呈现。
六、MOBI：正在退场的老兵
MOBI 是亚马逊 Kindle 早期专用格式，曾经统治电子书市场。它的历史地位值得尊重，但现状很明确：官方已弃用。2022 年亚马逊 Send to Kindle 停止接受 MOBI/AZW，转向支持 EPUB；新款 Kindle 设备的系统也不再原生支持老格式的历史邮件推送。
在今天的加工项目里，MOBI 只剩一种角色：存量转换。老书库里有历史批次的 MOBI 文件，需要批量转换为 EPUB 以适配新阅读生态。新加工项目直接产出 MOBI，已经没有意义。
七、五种格式一张表看懂
| 格式 | 版式逻辑 | 结构化程度 | 主要用途 | 在链路中的位置 |
|---|---|---|---|---|
| XML | 无版式（纯结构） | 最高 | 结构化源数据、一次加工多渠道发布 | 加工核心层 |
| PDF / PDF/A | 固定版式 | 低（视觉保真） | 分发阅览、长期归档（PDF/A） | 交付与归档层 |
| EPUB | 自适应重排 | 高（章节树） | 电子书发布、多终端阅读 | 交付层 |
| HTML | 自适应 | 高（配合平台） | 在线平台、互动资源 | 发布层 |
| MOBI | 自适应 | 中 | 历史存量、正被 EPUB 取代 | 淘汰层 |
八、怎么选：按用途倒推格式
格式选择没有标准答案，只有倒推逻辑。问三个问题：
第一问：这份资源未来要干什么？ 只是存档备查，选 PDF/A 加原始扫描件；要进阅读市场，选 EPUB；要挂在线平台做检索互动，选 HTML；要沉淀为可反复利用的内容资产，就必须做 XML 结构化加工。
第二问：需要几层交付？ 成熟项目普遍是“组合交付”：XML 作源、EPUB 作电子书、PDF 作打印/归档副本，一份内容三种形态，各走各的分发渠道。单选一种格式满足所有需求，是幻想。
第三问：加工预算怎么分配？ 格式越结构化，人工投入越大：纯扫描转 PDF 最便宜，OCR 加双层 PDF 居中，深度结构化 XML 最贵。按资源的再利用价值分配预算——只会被看一次的文档别做 XML，要反复改版再利用的核心资产别只做 PDF。
九、总结
五种格式各司其职：PDF 锁版式负责保真与归档，EPUB 锁结构负责多终端阅读，XML 是一次加工多次发布的结构源头，HTML 负责在线平台呈现，MOBI 已完成历史使命正在退场。选格式的正确姿势不是挑一个“最好”的，而是按用途倒推组合：存档归档、阅读分发、平台利用、内容资产，分别对应不同格式，一个项目往往需要多层交付。
一句话总结：数字资源加工中，XML 承载结构、PDF 保真归档、EPUB 适配阅读、HTML 面向平台、MOBI 正在退场——按“存什么、给谁看、怎么用”三个问题倒推格式组合，而不是寻找万能格式。
关于我们
本文由 北京海天雷鹰科技有限公司 整理发布。
公司成立于 2001 年，专注档案整理与数字化、试题结构化录入、期刊校对、数据标注等一站式数据服务 20 余年。针对标准文档形近字符识别、复杂公式排版、多层级档案规整、题库结构化加工等行业难点形成成熟作业方案，适配科研院所、教育机构、企事业单位的批量数据处理需求。
累计完成数十万份专业文档数字化、题库结构化加工项目，服务过多家科研机构、院校及企事业单位。核心团队 20 年以上行业经验，建立多层级质检审核机制，数据成果准确率稳定可控；持有 ISO 9001/27001 等体系认证、多项自主软件著作权、企业信用 AAA 等级。
如果您有档案数字化、试题录入、数据标注、EPUB电子书等方面的需求，欢迎联系我们：
- 电话：010-84907553
- 邮箱：736232918@qq.com
- 官网：www.beijingocr.com
本文为原创科普内容，如需转载请注明出处。关注我们，持续分享数据服务行业的实战经验与行业洞察。