老马三剑客：PDG批量转可检索PDF的实战路线

简介这是一款专为处理PDG格式电子书而设计的工具组合面向需要批量转换或阅读老旧PDG文档的读者、研究人员及档案整理者。资源将PDG文件先解析为图片再借助批量合并功能生成通用PDF同时附带对DjVu格式的操作支持适合在多种设备间完成文档转移与长期保存。压缩包共2个文件以htm与exe为主其中exe为可直接运行的核心程序htm提供相关说明或帮助信息整体体积约2.86MB小巧轻便。已有953人学习下载对于常接触中国早期网络电子书资源的用户而言这套组合能有效解决格式老旧、打开困难的问题。读者可获得PDG转图片、图片转PDF、DjVu基础处理等完整转换链路既能逐页导出图片也能一键合成多页PDF兼顾灵活性与批量效率在日常查阅、打印或归档场景中较为实用。1. 老马三剑客把整库PDG批量转成可检索PDF的实战路线整理单位图书室电子资源时我遇到过一个再常见不过的任务上千本早期数字图书系统交付的PDG老书要统一转成PDF供长期归档和全文检索。动手一轮之后才发现“pdg2PDF”这件事根本没有一键完成的通用工具最可靠的还是从业者圈子里流传多年的“老马三剑客”方案——三个小工具分别负责读取PDG页面、合成PDF、挂接章节目录拼起来正好是一条完整的转换流水线。这篇笔记就是我把这条流水线跑通的完整记录工具怎么分工、参数怎么调、批量怎么做、哪里容易翻车都按实际使用情况写清楚。适合数字化归档、资料库维护和个人藏书整理的同行参考。2. 拆解三剑客PDG转PDF为什么是一条流水线而非一个工具2.1 PDG的文件结构扫描页与文字页两类内容PDG在很多人眼里是一种“过气格式”但它并没有真正离开资料库不少机构早期电子书采购的交付物至今仍是这种格式。PDG的页面内容大致分两类一类是扫描图每页对应一张黑白、灰度或彩色的位图体积会随页数线性增长另一类是文字版页面内容由字符编码和字体信息构成靠阅读器在打开时实时渲染。这种“图像文字”的双轨结构决定了转换工具必须同时具备图像处理能力和文字渲染能力。普通PDF转换器识别不了这种容器直接在操作系统里改后缀名或者丢给在线转换网站基本都会以失败告终不是不出文件就是出一堆乱码页。批量场景里还有更麻烦的情况文字版和扫描版的页面会混在同一本书里封面是扫图、内页是文字、插图页又按图像存放。这种情况下只用一种策略去处理多半会翻车。这也是为什么必须把多个工具串起来而不是指望一个所谓的“万能转换器”解决问题。2.2 三剑客的定位解包、组装、回填目录关于“三剑客”具体指哪三个工具不同帖子里说法略有出入但按“转PDF并带目录”这个目标来看最常见的组合是Pdg2Pic、FreePic2Pdf和PdgCntMaker。它们都出自同一位老开发者的工具箱没有官方“三剑客”的叫法名字是使用者们叫出来的。可正因为三个工具对目录和页序的处理是成体系的合在一起用非常顺手。工具在流水线里的位置核心输出Pdg2Pic读取PDG容器把每一页内容提取成图片一页一个JPG/TIF/PNG文件FreePic2Pdf把按页序排列的图片合成PDF并写入书签目录可直接翻阅的PDFPdgCntMaker从CNT目录文件或扫描目录页中提取章节目录生成书签数据供FreePic2Pdf读取的书签文件三个工具的边界很清晰Pdg2Pic负责“读懂”PDGFreePic2Pdf负责“拼装”PDFPdgCntMaker负责“恢复目录”。很多人初次接触时只用了FreePic2Pdf结果拼出来的PDF没有书签几百页的书翻起来全靠手点体验很差。加上PdgCntMaker之后目录可以批量回填整本书才真正符合归档要求。我见过不少同事在这套工具上花时间反复试最后发现最合理的路径就是先把这三个工具各自的功能边界搞清楚再谈参数。2.3 路线选择pdg2pdf直转、还是先转图像再合成老马的工具里其实有一个pdg2pdf程序可以把PDG直接转成PDF单本书、页数少、对版式要求不高时非常快。但直接转换有两个问题一是对PDG内页的图像质量和分辨率干预空间小遇到彩色页面、灰度页与黑白页混排时容易出现整页被统一压缩的情况二是书签回填比较麻烦直转出来的PDF通常只有正文没有目录。做批量书库时我更倾向于“Pdg2Pic → FreePic2Pdf”的图片中继路线。好处有三点中间产物是图片能人工抽检发现单页问题可以单独重转不用整本书返工图片在合成前可以定制尺寸、命名、压缩方式避免一把梭把彩色封面包压成黑白目录回填有FreePic2Pdf的专用入口PdgCntMaker生成的目录文件能直接被它读取直转路线反而难处理书签。当然直接转也不是没有价值。以文字页为主的PDG、版面干净、没有大量彩色插图的用pdg2pdf直转最快转出来还自带文本层。扫描书则老老实实走图片中继看起来多了一步实际最稳。这个选型判断我在多个项目里反复确认过原则就是“先看页面构成再决定路线”。2.4 动手前的准备文件整理、备份、cnt目录文件识别从书库导出的PDG一般一本书是一个独立文件夹里面有一堆以数字命名的*.pdg文件还可能带一个*.cnt目录文件和若干配置类小文件。cnt文件记录着“章节名页码”是后面生成书签的地图。我习惯先把整个待转换盘区按以下套路整理再开始点工具建源书库、临时图库、成品PDF三个目录互不交叉对源书库做一次文件数快照至少记录每本书的pdg文件数量确认cnt文件是否存在有就单独复制一份出来备用对0字节或超大异常PDG先做标注避免转换到一半中断。这套准备看起来琐碎但在批量场景里是“后悔药”。我遇到过整个批次的PDG文件在拷贝过程中缺了一批如果没有源目录页数记录根本发现不了PDF少了几十页。另外临时目录最好不要放在系统盘Pdg2Pic导出图片时会产生大量小文件系统盘空间不足会导致转换中途报错这个细节很容易被忽略。3. 实操一本接一本把PDG导成带书签PDF的完整过程3.1 用Pdg2Pic提取页面输出格式、DPI与底灰处理启动Pdg2Pic后界面左侧是书目录列表右侧是页面预览。把待转换的书目录添加进来点击某本书就能看到每页的缩略图。这一步的重点是右侧的输出选项也就是中间产物的形态。我按扫描书处理时的常用参数如下参数项推荐设置理由输出格式JPG质量80到90之间清晰度和体积比较均衡方便后续抽检页面缩放保持原始尺寸扫描书开本不一强制放大只会增加噪点灰度页处理自动保留灰度避免把彩色印章、插页变成黑白块底灰清理开启阈值偏保守去浅灰底纹但不要误删浅色正文点击转换后工具会在输出目录下按页序生成图片。生成完毕先别急着关用预览图随机翻几页确认没有白页或乱码页。这一步如果出了大量白页往往是文字版PDG的字体渲染配置不对后面避坑部分会展开。中间产物一旦确认没问题后面FreePic2Pdf合成的成功率就很高了。3.2 用FreePic2Pdf合成PDF页面尺寸、压缩率与书签挂载打开FreePic2Pdf后左边选择刚刚Pdg2Pic输出的图片目录右边按文件名列出图片列表。这时我只检查两件事。第一列表顺序必须按数值而非字符串排列否则第10页会排到第2页前面第二PDF页面大小建议按“原图尺寸”而不是固定A4因为扫描书开本不统一强制A4会产生大量白边。参数设置上我一般把JPEG压缩设为中高PDF版本选PDF/A兼容如果页面文件本身已经是处理好的JPGFreePic2Pdf就不要做二次压缩直接选择不重新压缩能保住细节。这里需要解释一下如果原始页面是扫描图二次压缩等于把已经损失过的信息再压一遍残影和噪点会被放大而原始页面本来就是黑白文字的话适度压缩反而可以大幅缩小PDF体积不影响阅读。这个取舍要根据“这本书是文字书还是彩图书”来定而不是一个参数用到底。3.3 用PdgCntMaker生成目录从cnt文件到FreePic2Pdf书签许多书库里的cnt文件是阅读器维护的包含章节名和页号但直接把cnt文件交给FreePic2Pdf并不总能识别因为FreePic2Pdf对书签文件的层级和页号格式有自己的约定。这时PdgCntMaker就派上用场打开PdgCntMaker选择“从cnt文件导入”它会解析出来一个目录树可以增删章节、修改名称和页码。保存时选择FreePic2Pdf书签文件格式生成一个文本文件备用。如果没有cnt文件PdgCntMaker还支持“从图片目录页提取”在书的正文前一般会有目录页用它标注目录条目并指定页码原理是把目录页当作图像来识别。这一步对扫描书尤其有用很多书库导出的PDG没带cnt目录只能从版权页后面的目录页重建。操作时需要注意目录页的页码是“印刷页码”还是“文件页序”如果二者不一致后面书签跳转就会整体偏移。3.4 批量化批处理脚本与GUI结合的真实工作流这三件工具的官方形态都是图形界面要实现全自动并不现实但可以把人工步骤压缩到最短。下面是我常用的批处理框架用PowerShell把每本书归拢到独立目录然后按顺序唤起工具人工确认后再放行下一本param([string]$BooksDir D:\books_pdg) $tempRoot D:\books_tmp $pdfRoot D:\books_pdf foreach ($dir in Get-ChildItem $BooksDir -Directory) { $name $dir.Name Write-Host $name -ForegroundColor Cyan # 第1步把每本书的pdg文件整理进独立临时目录 $pageDir Join-Path $tempRoot $name New-Item -ItemType Directory -Force -Path $pageDir | Out-Null Copy-Item $($dir.FullName)\*.pdg -Destination $pageDir # 第2步唤起Pdg2Pic人工点击转换 Start-Process D:\tools\Pdg2Pic.exe $pageDir Pause # 第3步唤起PdgCntMaker提取并保存书签文件 Start-Process D:\tools\PdgCntMaker.exe $pageDir Pause # 第4步唤起FreePic2Pdf合成PDF Start-Process D:\tools\FreePic2Pdf.exe $pageDir Pause } Write-Host 流程结束请检查临时目录中的日志 -ForegroundColor Green这段脚本的逻辑很简单foreach循环遍历源书库下的每个子目录把每本书的PDG文件复制到独立的临时目录然后依次唤起三个工具。Start-Process只是打开程序并传目录参数Pause让循环等待人工操作完成后继续避免多个工具窗口互相干扰。它的价值不是省掉点击而是保证每一本书都统一进入同一个流程不会漏转、不会重复转、也不会因为人工切换目录搞混来源。4. 三剑客避坑记录乱码、页序、书签偏移等五个现象4.1 文件名和目录乱码转换工具读不出中文书名现象Pdg2Pic里能看到页面但导出的图片文件名或生成的书签标题变成“锟斤拷”一类乱码甚至无法读取目录。原因老工具在简体中文Windows上用GBK读取字符串若目录名或cnt文件是UTF-8编码就出现编码错位。这种问题在来源系统版本较新的书库里尤其常见新系统导出时默认UTF-8老工具按GBK解析必然乱码。解决先把中文目录名复制成临时英文名转换完成后再改回中文或者调整系统区域设置勾选“使用Unicode UTF-8提供全球语言支持”重启后再试。需要注意第二种做法会影响整个系统谨慎评估后再操作。我一般优先用临时英文目录名简单、不碰系统全局配置。4.2 页面顺序错乱第10页跑到了第2页前面现象合成出来的PDF从某页开始章节倒错像第10页、第11页、第12页出现在了第2页之前。原因FreePic2Pdf按文件名做字符串排序若页面文件导出为“1.jpg、2.jpg、10.jpg”字符串顺序是1、10、2而不是1、2、10。这个问题在书页超过两位数时必然出现页数越多越明显。解决转换前统一把页面文件改成三位以上编号。Pdg2Pic导出时勾选“页号补零”或者在批处理里加一段重命名把编号强制补齐为四位数确保字符串排序和数值排序一致。$files Get-ChildItem $dir -Filter *.jpg $i 1 foreach ($f in $files) { Rename-Item $f.FullName -NewName ({0:D4}.jpg -f $i) $i }4.3 书签整体偏移目录内容对点击后却跳到别的页现象PdgCntMaker生成的目录条目名称准确但PDF里点击书签后跳转页与预期差固定的几页比如每章都晚了三页。原因书签文件里的页码以0为起点还是以1为起点与源cnt记录的“1基页号”不对齐加上书内封面、扉页、版权页是否计入页码两者定义也不同。这个偏移量在同一本书里是固定的但换一本书可能就不一样。解决先抽一本书在前、中、后各选三个章节验证偏移量然后在PdgCntMaker的页号偏移里输入修正值批量重生成书签。不要拿PDF编辑器逐条拖动书签数量一多必然痛苦而且下次转换又得重来。4.4 文字版PDG转出后白页或缺字现象某些书转出来的PDF里部分页面是空白或断字文字内容丢失。原因这批PDG是文字版页面依赖阅读器内置字体渲染。转换工具的字体文件不全或字号设置不对渲染失败就成了白页。和扫描图不同的是文字版页面没有原始位图可以兜底渲染不了就真的丢了内容。解决在Pdg2Pic的文字渲染选项中切换到完整字体模式或者把这类书直接交给pdg2pdf转换直转路线对文字版的兼容更可靠。转换后随机抽查几页文字完整性别只看页数对上就觉得没问题。4.5 彩色扫描书被压成灰阶封面细节全丢现象PDF里彩色页面全部变成黑白或灰阶印章、彩色插页的细节完全丢失。原因FreePic2Pdf的压缩设置中勾选了“黑白页统一压缩”或者源图片在Pdg2Pic输出时被强制降为黑白模式。问题通常出在“统一”两个字上一本书里只要有一半文字页这个选项就会把另一半彩色页也拖下水。解决回到Pdg2Pic把输出格式设为彩色JPGFreePic2Pdf合成时不要开启“全黑白化”保留灰度与彩色。这里要特别提一下彩色书和黑白书的参数不能复用同一套配置我曾在批量转换时图省事一套参数跑完全部书目结果三分之一的彩色书全部变成了灰阶只能返工。5. 验证与验收转完的PDF要怎么核对页数和书签5.1 页数核对源目录与PDF双向对账转换完成后第一件事不是打开看而是对页数。源书库的页数记录和PDF页数不一致说明转换过程中有丢页。用PyMuPDF写一个简单的PDF页数和书签检查脚本几秒钟就能扫完一本import fitz import sys pdf fitz.open(sys.argv[1]) print(fPDF页数: {pdf.page_count}) toc pdf.get_toc() print(f书签数: {len(toc)}) for level, title, page in toc[:5]: print(fL{level} {title} - PDF第{page1}页)逻辑说明PyMuPDF的get_toc返回的是以0为起点的页索引所以展示时加1转成习惯页码。先打印PDF总页数再打印前五条书签的层级、标题和跳转页。若源书登记页数为300而PDF页数是299基本可以断定中间少了一页要去临时目录找Pdg2Pic的输出图片确认是导出缺失还是FreePic2Pdf合成时跳过了空文件。sys.argv[1]就是传入的PDF路径脚本不关心PDF在哪个目录跑起来很快。5.2 书签跳转验证抽查“首一中一尾”三处书签列表只有数量、没有内容不等于目录可用。点开PDF目录分别抽查第一章、中间一章、最后一章确认跳转页与标题语义基本一致。若有全本偏移回到PdgCntMaker修正偏移量后重新生成不要用PDF编辑器手改。这个步骤每批抽两本即可但新换的PDG数据源第一本必须全查。我做书库维护时被目录偏移坑过一次一本五百页的书签全部晚了两页当时偷懒没抽查结果整批发出去后被退回后来再也不敢跳过这一步。5.3 体积与清晰度抽查防“假高清”PDF动辄几十MB不一定清楚体积小也不一定“看起来清”。用脚本统计图片目录下的文件大小分布再和PDF文件大小做粗略对比能快速发现压缩过狠或过大两种情况param([string]$ImageDir D:\books_tmp\某书) $sizes Get-ChildItem $ImageDir -Filter *.jpg | ForEach-Object { $_.Length } | Sort-Object $count $sizes.Count if ($count -eq 0) { Write-Host 目录为空; exit } $median $sizes[[int]($count / 2)] Write-Host 图片数量: $count Write-Host 单页大小中位数: $([math]::Round($median / 1KB, 1)) KB逻辑说明中位数比平均值更可靠个别大图把均值撑高的假象可以被中位数识破。如果300页的书单页中位数只有20KB说明压缩过狠放大到全屏会明显发糊。回到FreePic2Pdf重新合成把JPEG质量调高即可。反过来一本书单页平均5MB、整本PDF超过2GB说明原始图片没有压缩也要检查是不是页面缩放设置失效。5.4 文字版PDF做文本层抽检文字版PDG转出的PDF里应该能选中文字。验证方式有两种用PDF阅读器打开任意三页鼠标在正文上拖选能选中文字说明保留了文本层也可以用脚本提取文本import fitz doc fitz.open(output.pdf) page doc[15] # 抽查第16页 text page.get_text() print(f第16页文本长度: {len(text)}) if len(text) 50: print(警告该页几乎无文本可能未保留文字层) doc.close()这里有一个常见的认识误区图像PDF的页面在阅读器里也能被鼠标“选中”但选中的只是整张图片不是文字。真正区分文本层的方法是反选状态下的复制粘贴或者用get_text看返回值。如果一本文字版书转出来变成纯图片PDF说明走的图片中继路线时没有开启文本保留选项这种PDF在知识库里检索不到内容只能重新处理。6. 固化三剑客参数模板扫描PDF顺带补全文检索6.1 把“调好的参数”固化成模板三剑客这套工具我第一次用的时候花了两天时间才把参数调顺后来每次换一批新书又要重新试。后来悟出一个习惯首次样书验收后把导出格式、DPI、偏移量、压缩率、页号补零这些关键参数记录下来放在批处理脚本同目录下。之后再接到新书库先按模板跑一本样书确认页面质量过关再全量执行。这个习惯让我在后续项目里省了大量返工。工具不复杂复杂的是人对参数的记忆和重复校准。6.2 给扫描版加文本层让PDF具备全文检索能力扫描版PDG转出的PDF仍是一张张图片放进知识库后检索命中率很低。要给扫描版补文本层常见路线是先对每页图片做OCR再把识别文本嵌回PDF。下面是思路演示不是可直接运行的生产代码# 示意把OCR结果作为极小字号的文本对象写回PDF ocr_results [] # 每页识别文本 for page_img in page_images: text ocr_engine.recognize(page_img) # 替换为你的OCR函数 ocr_results.append(text) pdf fitz.open(scan.pdf) for i, page in enumerate(pdf): if i len(ocr_results): page.insert_text((10, 10), ocr_results[i], fontsize0.01) pdf.save(scan_ocr.pdf)这个示例演示的是最小可行思路把OCR文本放进肉眼几乎看不见的极小字号文本对象中既不影响阅读又让PDF具备可被搜索的文本层。生产环境建议用支持OCR文本层的正规工具或库函数完成同样的动作避免文本坐标处理出问题。实际操作时我会先用Pdg2Pic导出的JPG做OCR确认识别准确率再决定是否全量处理。这套流程在你档案入库的最后一公里很值得投入毕竟归档的目的是以后能查得到。希望帮到你。本文还有配套的精品资源点击获取