此书1200多页，可谓生物学的小百科全书，内容广泛丰富，且插图精美准确，一册在手，把它研究吃透，基本算是生物学的半个达人了。
很久以来我想把它文本化，文字识别难度不高，但如何保留格式，把图像、图表等准确插入，做出来图文并茂是个难题。
此前我尝试过OCR成word文件，再转为markdown，效果不佳，a）小标题、粗体等格式丢失，显得眉目不清，b）识别软件切出来的图片零碎散乱，且不少是错误的，全书可能有数千图片，把它们后续处理正确，殊非易事，c）文字排版也有讹误，多处需要校正。
这里给出一个样本，第12篇的内容。
12.zip (6.7 MB)
最近我尝试了一种新的方法，成效似乎不错，即用Gemini 3 Pro把图像pdf识别输出为html，图片部分只需占位，不识别，但要给出图像坐标bbox。识别完成后，用程序根据bbox在原始pdf里截图插入html的图像占位处，这样文字和图像部分就组合起来了。
不过上面的办法也存在弊端，一次只能识别一章（全书共60章），多次OCR在格式上很难保持一致，最后把各章整合成完整的一本书时就有问题。有没有更好的策略让模型输出html的 style 前后一致，还在继续测试研究中。
在此也给出一个样本，第60章。
第60章 脊椎动物的发育.zip (14.1 MB)
《生物学 第6版》（Peter H. Raven 著）的图像PDF可以在 生物学 第6版 - Anna’s Archive 下载，近 700m 大小。
1 Like
我最近在尝试一个新的方法来做图文对照词典，也可以用在这个上面，就是用paddleocr得到文档结构，然后再用gemini得到文字，最后再进行合并。
图文混排的书，数理化这些太复杂难搞了（像James Stewart《微积分》、哈里德《物理学》、布朗《化学：中心科学》等），天文地质版面杂乱插图太多（埃里克·蔡森《今日天文 》、Edward J. Tarbuck《Earth Science》等），生物、计算机（《深入理解计算机系统》，github上有人在做）、美术（比如《詹森艺术史》）倒是适中，努力一下，可以把它们文本化。
endnote
4
生物学入门教材，我推荐 Campbell Biology, 12th edition 2020
大陆于2002，2024 两次翻译出版过节选本 Campbell Essential Biology，至今没有翻译出版过全本。
全本对岸有：生物學上下冊第十版-編譯：鍾楊聰等 出版日期：2019/09- 偉明圖書有限公司，但没看到有电子PDF。
此外，如果聚焦细胞、基因方面，用这本入门更好：
Essential Cell Biology, 6th International Edition_(Bruce Alberts)_2023
Zlib上最近才出现此最新版本的 true PDF，之前都是些排版很差的、源于epub的PDF。推荐。
PDF的编辑插入确实是个难题，尤其是如何让程序自动处理，如果手工一页一页处理一个人干不来。
2 Likes
Campbell Biology我已经借助 ai 翻译了，但没校对，没插图，没法直接读，Peter Raven的书中文版则是现成的，进一步提取pdf文字和图像即可。
美国的这些基础类教科书，价格昂贵，利润丰厚，也能给作者带来名望，通常会有多个团队在制作和竞争，内容其实大同小异，但最终会形成几个流行品牌，屡次再版，寡头垄断。
此类教科书虽有1000多页，实际就生物学作为学科而言只是入门，生物化学、分子生物学、细胞、遗传、发育、进化、微生物、植物、动物、生态、生理学、神经科学等都有专门且权威的教科书，真入行了自己也能辨别优劣。
我把Campbell Biology的中文译本上传于此，目前它仅能作为辅助参考，可与英文版双语对照阅读。
坎贝尔生物学（第12版） - Neil A. Campbell 等著 - v0.1.txt (4.9 MB)
3 Likes
现在人工翻译不是特别好，坎贝尔生物学，还有数学GTM系列书籍之类的经典作品可能最后还是要用AI来解决
haoshu
7
各位，AI现在翻译术语怎么样？我感觉《英汉大词典》不行。如果中国行业内没吸收的概念，更没戏。
对于比较基础性的知识和术语，ai处理通常没啥问题，毕竟谁也没大模型读书多，过于专业和生疏的，能阅读的人自身也是专业人士了，可以直接读外文，翻不翻译区别不大，也可以译文中注解附录原文。
amob
9
翻译术语，有术语在线、知网、乐词网，不会用这些词典吧。
endnote
10
确实如此，专业教授们译笔未必好，不借助AI的话，翻译质量很多时候不一定比得上全AI翻译的。
这也是我建议探讨STEM英文经典专业书的AI翻译相关技术的原因：在校生自己去动手，既学习了本专业知识，又能锻炼python和AI应用的基本能力。
但要注意：不能营利，以科研学习为目的，在网上最好一章一章的搞（片段利用）、不要合并全本。
文字用 Gemini 识别完成了，准确率比较高，但发现给出的bbox有时对，有时很多错误，不靠谱。最终可能还是需要手工截图，bbox即使正确了，程序截出的图经常有多余空白，还因为原书版面的关系歪斜，都需要进一步裁剪和修正。
手工截图工作量太大，后面想了想可以重新单独提取插图的bbox，然后批量替换，效果依然不算很理想，但也勉强可用。
《詹森艺术史》我用更清晰的底本又OCR一次，文字、版面还原度还不错，需要进一步清理，这里给出一个样张。
22_第二十二章 洛可可艺术.docx (3.1 MB)
如果只是想粗略了解西方艺术史，贡布里希的《艺术的故事》是很优秀的入门书。这里是一个ePub版，网络下载的，我稍微编辑过，调整了目录，也重新索引编号了图片。
艺术的故事 - 贡布里希 (Sir E.H.Gombrich).part1.rar (20 MB)
艺术的故事 - 贡布里希 (Sir E.H.Gombrich).part2.rar (2.4 MB)
1 Like
《詹森艺术史》已经识别提取了文本和图像，不过后续还需要很多编辑校正工作。比如ocr引擎切图，并不是很准确，有时截取了部分图片，有时多出不少空白，即使相对准确了，原始图像还存在稍微歪斜的问题，会导致白边，比较难一一调整。
我用 Gemini 3 Pro 又提取了一次bbox，用它来截图，位置比较准确，但也无法根除歪斜导致白边的毛病。用算法纠正，也不是很灵。
又做了两本书，Stanley Brue, R. G. Grant 著《经济思想史》（第8版）和Eric Chaisson, S. McMillan 著 《今日天文》（第8版） 。
《今日天文》的OCR、制作难度比较大，除了图像底本不清晰、版面复杂外，中文版对原作擅自做了很多改动，比如一本书拆成三本，调整了章节编排，有两章文字在诸册中重复等。我计划在文本版里恢复原作原貌。
原始文件还是贴在github。
2 Likes
spoony
15
mixivivo大侠，您gh上大量txt格式作品，发现简直是个金矿。请问哪里可以找到英文原版的类似作品，当然如果是markdown格式，保留有图片链接的话，也是很好的。您有这么多作品，能否指点一下哪里可以获取这类基于文本的文件。我目前主要靠project gutenberg获取，除txt文件外，整部作品放入单一html文件也很值得推荐，简单而又完整的保留了所有信息。如果您还有另外的渠道，请一并指点。
这些文件大多是我亲自OCR、提取，编辑整理的，没有什么方便的渠道可以获取。网上的信息如今是透明的，搜得到就是有，各种办法找不到就是没有，只能自己从图像pdf里OCR获取文本，然后再整理校核等。
gutenberg上的书，我有时也用，但很多可以说没啥太大价值，陈旧过时了。
1 Like
spoony
17
gutenberg只是参考经典所用，而且书也不多。
