如果你有机会翻看数字化古籍的项目文档，会发现一个有意思的现象：项目组专门维护着一个错误字典，记录OCR把哪些古字错误识别成了什么，从几千条到几万条不等。
这件事本身就说明了古籍OCR的难度——它的挑战不是一般意义上的”图片质量不好”，而是字符集本身就和现代不同。
几个基本的麻烦
繁体字、异体字、通假字。 现代简化字有几千个常用字，但历史文献里用的是繁体字，而且不同朝代、不同地域，同一个字可能有多种写法。《康熙字典》收录了四万多个汉字，其中大量字在现代字库里根本没有对应的Unicode编码。
雕版印刷的字形不规范。 古籍里的字不是现代排版字体，是刻工手刻出来的，字形本身就有变形，同一个字在同一本书里刻出来的形状都可能不完全一致。
纸张年代久远。 纸张泛黄、虫蛀、水渍、墨色不均匀，文字的清晰度参差不齐，有的地方几乎辨认不出来。
版面结构复杂。 古籍竖排、从右向左读，有时有双行夹注（用小字在正文旁边加注释），版心有书名和页码，这些都需要在识别之前正确解析版面。
现在能做到什么程度
对于版面较好、字形清晰的古籍，现在的OCR准确率大概在85%到95%之间，比十年前提升很大，但比现代印刷体低不少。
数字人文领域有一些专门针对古籍的训练数据集和模型，比如对宋版、明版书籍做专项训练的模型，在特定文献类型上表现更好。
识别完之后一般还要人工校对，只是工作量从”全部手工录入”变成了”核对机器识别结果”，速度有明显提升。
古籍OCR有一个额外的挑战：字不在字典里
现代OCR遇到识别不了的字，会输出一个占位符或者最接近的字。古籍里有大量罕见字，不只是OCR认不出来，连字符编码都不存在。
这个问题的解法之一是：把罕见字识别为一张图片，保留原始字形，在电子版文献里以图片形式嵌入。读者能看到字的原始形态，但没法全文检索这个字。这是在”能用”和”准确”之间的一种妥协。
另一个方向是扩充Unicode字符集。Unicode表示汉字的扩展区目前已经收录了九万多个汉字，还在持续扩展，覆盖范围越来越广。
做这件事有什么意义
我觉得最实际的价值是：让原本只有少数专家能接触到的文献，变得可以被更多人检索和使用。
一部孤本古籍，纸质原件在博物馆，普通人没机会翻。数字化之后放在网上，任何人都能全文检索。这种改变不夸张地说，影响的是几百年文献的可及性。