方志数字化的“成果形态”怎么选：双层 PDF、XML、EPUB 三种都要吗
做方志数字化，绕不开一个选择题：交付成果到底要什么？只给扫描图像行不行？双层 PDF 是什么？XML 结构化是不是必需的？EPUB 电子书有没有必要做？这三种形态的价格差得远，做多了浪费预算，做少了又用不起来。这篇文章把三种成果各自解决什么问题、适合什么场景、成本差多少讲清楚，并给一个预算有限时的优先级建议。看完你就能判断：自己这个项目到底该要哪几种。
一、先看需求：方志成果要满足三种“用”
选成果形态之前，先把需求摆清楚。地方志成果的使用，归纳起来是三种：
第一种是看。 打开志书，像翻原件一样读，看版式、看刻印特征、看批注。这对旧志尤其重要——版本本身就是文物信息，不能丢。
第二种是查。 在几十万、上百万字里找到某个人名、某个地名、某条记载。这是方志最常被使用的场景，靠翻目录根本做不到，必须能全文检索。
第三种是用。 把志书内容变成可统计、可关联、可传播的东西——统计灾异频次、梳理职官脉络、做成电子书让群众在手机上读。
看、查、用三种需求，正好对应三种技术形态：双层 PDF 服务“看+查”，XML 结构化服务“用（算和联）”，EPUB 电子书服务“用（传播）”。理解了这层对应，选择就不再盲目。
二、第一种：双层 PDF，方志最实用的一档
双层 PDF 是方志数字化最基础也最推荐的成果形态。它的结构是两层：底层是扫描得到的清晰页面图像，完整保留版式和原貌；上层是 OCR 识别出来、按坐标透明覆盖的文字层。
用户看到的是清晰原稿，搜索引擎读到的是下层文字。按关键词搜索，能直接跳到含该词的位置；文字可以复制；读屏软件也能朗读。“看得真”和“查得到”第一次同时满足。
对方志来说，双层 PDF 有两个特别适合的地方。一是保真：旧志的版式、刻印特征、朱墨套印、批注都被完整保留，这是版本存证的需要。二是检索：人名、地名、物产这些高频查询，全靠文字层支撑。
它的质量取决于两件事：扫描清晰度（糊了 OCR 就识别不准）和 OCR 与人工校对水平（旧志的繁体竖排、异体字、生僻字是主要难点）。所以验收时不能只看图像清楚，还要实测检索——打开 PDF 搜一个已知的人名，看能不能跳对位置。
另外建议采用 PDF/A 作为长期保存格式。它要求字体内嵌、禁止外部依赖，能避免多年后出现字体丢失、版面崩坏的问题。方志成果要存几十年，这一步不能省。
三、第二种：XML 结构化，决定能不能“算”和“联”
第二种形态是层级的提升——从“页面的数字化”变成“内容的数字化”。XML 用标签把内容组织成树形结构，把字段化的信息明确标记出来。
举个例：人物志里的一条记载，可以标记出姓名、字号、籍贯、朝代、功名、仕履、著作来源等字段。一千条都这样处理后，就可以直接查询、统计和关联——查某朝代本地出了多少进士，查某人任职轨迹，查不同志书里记载的同一人物是不是同一人。
XML 的价值在于让方志从“可读”变成“可算”，它也是后续做知识图谱、做智能问答的数据底座。贵州方志云的知识图谱应用、上海静安计划推出的智能问答，底层都要靠这类结构化数据支撑。
代价也很明确：结构化程度越高，加工成本越高。需要设计字段体系（本体设计）、做实体抽取、做字段质检，关键字段的准确率通常要求很高。它是最贵的一档，但也是唯一能支撑深度应用的一档。
这里有个非常重要的提醒：做 XML 之前，先和数字方志馆或平台的承建方确认接口。包括 XML 结构定义、字段字典、导入方式。顺序反了——先加工完再对接——往往要返工重做。
四、第三种：EPUB 电子书，让方志被更多人读到
第三种形态面向传播。纸质志书发行量小、携带不便，做成 EPUB 后可以在线阅读、手机阅读，还能进农家书屋、进校园，是“读志用志”最直接的抓手。
EPUB 是流式格式，内容会随屏幕尺寸和字号重新排版，在手机上也读得舒服。它支持目录跳转、全文检索、字号调整，对大众阅读非常友好。
方志做电子书有几个特殊点要注意：目录层级。志书的卷—门—目三级结构映射成电子书的篇—章—节时，层级过深会影响阅读体验，需要适当合并。舆图与表格。旧志里的疆域图、城池图在流式排版中容易压缩变形，表格也需要特殊处理。简繁取舍。普及本可以做成简体横排，研究本保留繁体原貌，两种版本面向不同读者，可以分别规划。
成本上，EPUB 处在中间位置：比纯扫描贵（多了排版和结构处理），比 XML 结构化便宜。它是提升成果传播力的高性价比选择。
五、三者横向对比
把三种形态放在一起对比：
双层 PDF：优点是保真度最高、支持全文检索与复制、支持无障碍朗读、结构最简单适合长期保存；缺点是不能做统计和关联，对 OCR 与校对质量要求高。适合绝大多数方志项目的基础成果，强烈推荐。
XML 结构化：优点是字段可计算、支持精确查询与统计分析、能进数据库和知识图谱、是智能应用的底座；缺点是加工成本最高，需要先定好接口和结构定义，抽取质量要严格质检，且不保留版面原貌。适合需要进数字方志馆、做专题库、做智能应用的项目。
EPUB 电子书：优点是便于移动端传播、大众可达性最好、支持检索与目录跳转；缺点是不保留原貌，流式排版对图表不友好，需要额外做排版处理。适合有普及传播、文化进校园进社区需求的项目。
一句话总结：保存靠双层 PDF，深度应用靠 XML，传播靠 EPUB。三者不是替代关系，可以按需要组合。
六、预算有限时怎么排优先级
如果预算不能一次做全，建议按下面的顺序分阶段：
第一阶段，先做双层 PDF。 这是底线——它保住了“看得真”和“查得到”，满足绝大多数日常查阅需求，也是长期保存的正本。只做扫描图像不做双层，等于只有“看”没有“查”，投入产出比很差。
第二阶段，做 EPUB 电子书。 如果单位有传播考核、有文化惠民任务，这一步性价比很高，能用不大的投入换来看得见的传播效果。
第三阶段，做 XML 结构化。 如果有数字方志馆建设任务、要做专题数据库或智能应用，这一步才是必需的，而且要提前和平台方对齐接口。
另外一个省钱思路是分层加工：珍贵旧志、利用频率高的志书做全套；一般志书、利用少的只做双层 PDF。把钱花在真正会被用到的地方，比平均用力更划算。
七、验收怎么验
三种成果的验收要点不同，建议分开写进合同：
双层 PDF：图像清晰度达标、文字层与图像对位准确、全文检索实测命中、生僻字能正常显示和检索、采用 PDF/A 格式。
XML 结构化：结构定义与接口一致、关键字段准确率达标、字段完整性达标、可被目标系统成功导入。
EPUB 电子书：结构校验零错误、目录可跳转、标题语义化、图片内嵌且显示正常、多终端抽查通过、字体有合法授权。
每条都要实测，不能只看文件属性。判断双层 PDF 是不是真的双层，打开文件搜一个已知人名；判断 XML 能不能用，让平台方试着导入一批。用实测代替“应该没问题”，能挡掉绝大多数交付翻车。
三种成果形态，不是三选一的技术路线，而是服务“看、查、用”的三个层次。想清楚本单位未来怎么用，答案自然就出来了；预算紧就分阶段走，但第一阶段的双层 PDF 不能省——它是所有后续应用的基础。
八、三个常见误区
误区一：做了 XML 就不用双层 PDF。 两者用途不同，不能互相替代。XML 方便统计和关联，但不保留版面原貌；查证版本、核对刻印特征时仍需看图像。预算允许的话，两种都应保留。
误区二：电子书能替代数据库。 电子书解决了传播问题，解决不了统计和关联问题。想统计某时期的灾害频次，靠电子书翻页是做不到的，必须有结构化数据。
误区三：只要一种就够，反正以后再补。 后期补做的成本远高于一次规划：书要重新出库、重新扫描、重新质检。即便预算紧，也应在方案中预留接口和扩展空间，避免推倒重来。
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。