数字资源加工：PDF、EPUB、XML 三种格式对比，哪种适合档案与知识库建设？
某馆 2016 年完成数字化后，把成果统一转成了 EPUB，理由是“手机上能看、能搜索”。五年后要做专题统计时发现两个问题：同一份文件在不同阅读器上页码不同，引注没法写；想统计“某责任者在某时间段内的文件数量”，只能靠人工翻。另一个单位走了相反的路子，只留了 XML，检索统计很顺手，但一次抽取错误导致日期字段批量错位，等发现时原始图像已按合同销毁，无法回溯核对。两次踩坑的根因是同一个：把呈现格式、阅读格式、结构格式当成一回事。本文按档案保存与知识库建设两条需求线，给出 PDF、EPUB、XML 的选型结论。
一、三种格式的本质差异：版式固定、可重排、纯结构
1. PDF 锁的是“看起来的样子”
PDF 的规范由 ISO 32000 定义（PDF 1.7 对应 ISO 32000-1:2008，PDF 2.0 对应 ISO 32000-2:2020）。它的核心是一套页面描述机制：每一页有固定的几何尺寸，文字与图形按确定的坐标与绘制顺序落位，字体可嵌入文件内部。这带来两个后果：
- 呈现一致：同一文件在任何符合规范的阅读器上，版式、分页、字号关系保持稳定。
- 语义靠坐标：PDF 里的文本本质上是“某段字符串画在页面的某个位置”，它不携带“这段字符串是责任者字段的值”这类语义。抽取字段只能靠坐标与版式推断，属于二次加工。
2. EPUB 管的是“读起来的体验”
EPUB 的内容主体是 XHTML 加 CSS，由包文档（OPF）组织阅读顺序，由导航文档（Nav）提供目录。EPUB 3.3 于 2023 年 5 月 25 日由 W3C 发布为推荐标准，支持可重排（reflowable）与固定版式（fixed layout）两种形态。可重排模式下，字号、行距、分页都由阅读器决定：
- 优势：在小屏设备上可读性好，能随屏幕宽度重排，适配无障碍朗读。
- 代价：页码不固定、版式不固定，同一内容在不同设备上呈现不同。对需要“复制件与原件一致”的档案场景，这是根本性缺陷。
3. XML 定的是“内容是什么”
XML 由 W3C 定义（XML 1.0 第五版，2008 年发布），本身不含任何呈现指令，只描述结构与语义。人文学科与图书馆领域已形成成熟标记体系，如 TEI（文本编码倡议）用于文本结构标注，档案与数字图书馆领域常用 METS 描述整体结构与文件清单、ALTO 记录每页 OCR 结果与坐标、PREMIS 记录保存事件与技术元数据。
- 优势：层级天然对应档案的“全宗—案卷—件—页—段”结构；可用 XPath 精确定位节点、用 XQuery 做聚合统计、用 XSLT 转成任意输出；字段是否齐全、枚举是否合法、日期格式是否正确，可用 XSD 或 DTD 定义的 schema 自动校验。
- 代价：没有呈现层，人不能直接阅读，必须配渲染流程；schema 设计需要前置投入；标签带来体积开销。
一句话概括三者分工：PDF 管版式，EPUB 管阅读，XML 管语义。
二、档案保存线：为什么结论是 PDF/A
1. PDF/A 是什么
PDF/A 是 PDF 的归档子集，由 ISO 19005 系列定义：PDF/A-1（2005 年）基于 PDF 1.4，PDF/A-2（2011 年）基于 PDF 1.7，PDF/A-3（2012 年）允许在文件中嵌入任意格式的附件，PDF/A-4（2020 年）基于 PDF 2.0。一致性级别分 b 级（保证视觉可再现）与 u 级（在 b 级基础上保证文本可抽取为 Unicode），另有 a 级（已在新版本中弱化）。
2. 四条硬机制对应四个归档要求
- 自包含：所有字体、图像、色彩定义必须嵌入文件内部，禁止外部字体引用、禁止外部内容流。这正对应 OAIS 参考模型（ISO 14721） 中“表示信息”的要求——信息对象必须携带足以脱离原始软硬件环境被解释的全部材料。
- 版式固定：页面几何与绘制顺序固定，复制件与原件版式一致，可作为凭证链条的一环。
- 禁用动态特性：PDF/A-1 禁止 JavaScript、禁止加密、禁止外部参照，降低“打开后内容可能变化或被锁死”的风险；PDF/A-2 起支持 JPEG 2000 压缩、透明与 OpenType 字体，但对动态内容仍有限制。
- 元数据强制与可校验：XMP 中必须声明 PDF/A 版本与一致性级别，一致性可被工具自动校验，因此能作为入库前的硬性门禁。
3. 落地时的两个注意点
- 压缩方式要匹配版本：PDF/A-1 因历史专利原因不允许 LZW 压缩，允许 Flate（ZIP）；PDF/A-2 才允许 JPEG 2000。由无损 TIFF 母版转换 PDF/A 时，必须先确认目标版本允许的压缩编码，否则校验不通过。
- 级别要按需选：仅需保真调阅选 b 级；需要全文检索与文本再利用，必须选 u 级，否则文本层可能无法被可靠抽取。
4. 双层 PDF 的准确定位
双层 PDF 是“图像层 + OCR 文本层”的组合，文本层带坐标，支撑全文模糊检索。它解决的是“能不能检索到这个词”，不解决“能不能按字段算”。文本层里的一串数字，机器并不知道它是文号、日期还是金额。因此双层 PDF 应归入保真层的能力增强，而不是知识层的替代方案。
三、知识库线：为什么只有 XML 级结构化够用
1. 字段检索需要“值加归属”
全文检索做的是字符匹配，回答不了这些问题：责任者为某人的文件有多少份、成文日期落在某个区间的文件清单、某类文号的年度分布。这些问题要求数据具备“字段—值”的确定归属，以及可计算的数据类型（日期可比大小、数值可求和）。纯文本与图像都不具备这两个条件。
2. XML 提供的三项能力
- 精确取值：XPath 直接定位到节点，取到的是确定的字段值，而不是从版式里猜出来的字符串。
- 可校验：schema 把字段完整性、枚举合法性、格式规范性变成可执行检查。这是 PDF 与 EPUB 都不具备的能力——它们只能校验文件能不能打开。
- 可溯源：ALTO 一类格式保留每个字符或词在页面上的坐标，检索结果可反查到具体页面位置，结构化数据与原图之间建立双向链路。抽取有误时可回到原图核对，错误是可发现、可纠正的。
3. 常见替代方案为什么不够
- CSV 或二维表：表达不了“一件档案含多个责任者”“一个案卷含多份文件”这类一对多层级，多值字段只能靠分隔符硬拼，后续必然出现解析分歧。
- 关系库直存：能解决层级，但缺少与图像坐标的关联字段，检索结果无法回跳原页，且保真层仍然要靠另一套文件体系维护。
- JSON：结构与 XML 等价，同样可用；差别在于校验生态（XSD、Schematron 在文献与档案领域成熟）与行业既有规范（METS、ALTO、TEI 均为 XML 体系）。选型的现实依据是标准生态，不是语法优劣。
4. 代价要提前算清
XML 方案需要前置投入三件事：schema 设计（字段清单、层级、枚举）、转换流程（从 OCR 结果或双层 PDF 提取并映射）、渲染流程（XSLT 转 HTML 或转 PDF）。这三件事不做完，XML 就只是一堆带尖括号的文本，不会自动产生价值。
四、组合策略：PDF/A 保真加 XML 做知识层
1. 四层结构
1. 母版层：无损 TIFF 或 JPEG 2000 无损，按件型确定分辨率与色彩模式，只进不出，作为一切再加工的源头。
2. 保真层：由母版生成 PDF/A（建议 2u 或 3b 及以上），承担归档保存、凭证调阅、全文检索三项职责。
3. 结构层：由 OCR 与抽取流程生成 XML，携带字段、实体关系与页面坐标引用，承担检索、统计、图谱构建职责。
4. 服务层：由 XML 生成网页版、EPUB 阅读版与接口数据，不承担保存职责，可随时重建。
2. 两份文件怎么关联
靠唯一标识符：以件号加页号为主键，配合内容哈希。XML 的每个字段节点记录来源页号与坐标，PDF/A 的每页通过页码与之对应，实现“检索结果一键跳原页”。若采用 PDF/A-3，还可将 XML 原件作为附件嵌入同一 PDF/A 文件，实现单文件交付的双层结构——保真版与结构化版在同一载体中互为校验。
3. 与 OAIS 的对应关系
按 OAIS 的术语：母版与 PDF/A 构成归档信息包（AIP）中的保真副本，XML 是内容层的结构化表示，EPUB 与网页版属于分发信息包（DIP），由 AIP 按需生成、可随时重建。这个对应关系明确了重建优先级：服务层丢了可以重生成，保真层与母版丢了不可恢复。
五、选型决策表与常见错误案例
1. 按需求勾选的决策表
| 需求 | 推荐格式 | 判断依据 |
|---|---|---|
| 长期保存与凭证效力 | PDF/A（2b 或更高） | 自包含、版式固定、一致性可校验 |
| 全文模糊检索 | 双层 PDF/A（u 级） | 文本层带坐标，可抽取 Unicode |
| 字段检索、统计、计算 | XML（配 XSD） | 值有归属、类型可计算、schema 可校验 |
| 移动端阅读、无障碍朗读 | EPUB 3 | 可重排、结构语义标签完善 |
| 单文件同时交付保真版与结构版 | PDF/A-3 | 允许嵌入 XML 等任意附件 |
| 网页发布与接口服务 | 由 XML 生成的 HTML 或 JSON | 服务层可重建，不作为保存格式 |
| 跨机构长期交换 | PDF/A 加 XML 双轨 | 分别承担保真与语义职责 |
2. 六个常见错误选型
- 用 EPUB 做档案归档：字体不保证嵌入、分页随设备变化、无法证明与原件版式一致，凭证链条在第一步就断了。
- 把纯图像 PDF 当知识库：没有文本层，检索只能走目录字段；扫描质量一旦不佳，内容彻底不可达。
- 用办公文档格式做长期保存：这类格式结构随软件版本演进、呈现依赖特定软件、字体与对象常外部引用，不满足自包含与版式固定两项要求。
- 只做 XML 不留保真层：抽取出错时无法回溯核对，错误既不可发现也不可纠正，是这类方案最致命的风险。
- PDF/A 转换失败强行降级：未嵌入字体、透明图层、音视频、表单与脚本在早期 PDF/A 版本中不受支持，必须在转换前用预检工具处理源文件，而不是转换失败后降低级别了事。
- XML 不配 schema：字段随意增删、日期格式各行其是，机器无法校验，最终退化成带尖括号的纯文本，与直接存 TXT 没有区别。
六、总结
一句话总结：档案保存线选 PDF/A，靠自包含与版式固定保证凭证；知识库线选 XML，靠 schema 与层级支撑字段检索与统计；正确做法不是三选一，而是 PDF/A 保真加 XML 做知识层的双轨组合。
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。