古籍数字化时，横排与竖排文字的处理为何不能一概而论

古籍数字化时，横排与竖排文字的处理为何不能一概而论

打开一份民国时期的报纸，正文是竖排，广告标题却是横排。再翻到一本明代刻本，正文竖排，但刻印的牌记又横着走。古籍数字化过程中，OCR识别面临的最大挑战之一，就是横排与竖排文字在同一页面中交错出现。许多项目团队在前期调研时，往往只关注古籍的清晰度或字体类型，却忽略了版面方向对识别流程的根本性影响。

横排与竖排在OCR处理逻辑上完全是两套方案。目前主流OCR引擎对横排文字的识别技术已经相当成熟，基于行分割和字符投影的算法可以稳定处理从左到右的文本流。但竖排文字的核心难点在于，字符的排列顺序是自上而下，行序是从右向左。如果直接套用横排模型，引擎会把一列竖排文字误判为多个独立的单字符块，或者把上下相邻的字符当作同一行处理，导致输出的文本顺序完全错乱。更麻烦的是，许多古籍中横排与竖排混合存在，比如表格内的横排标题搭配竖排正文，或者批注文字横排而正文竖排，这时就需要在预处理阶段先做版面分析，区分出不同的文字区域，再分别调用对应的识别引擎。

版面分析是决定识别成败的第一道分水岭。实际项目中，常见的问题是团队为了节省时间，直接用通用OCR工具对整页扫描图做一次性识别。结果竖排区域的文字被拆得七零八落，横排部分又因为背景杂乱而漏识。正确的做法是在预处理阶段，通过连通域分析或深度学习版面分割模型，将页面划分为横排文本块、竖排文本块、插图、表格等不同区域。对于竖排区域，还需要额外检测行首和行尾的位置，因为竖排文本的阅读顺序是从右向左，如果按照从左到右的扫描顺序输出，就会把最后一列的文字当成第一列。有些古籍的版心还有鱼尾、象鼻等装饰性元素，这些区域如果不做掩膜处理，同样会干扰版面分析的准确性。

竖排文字的字符切分与横排存在显著差异。横排文字的字符之间通常有明确的水平间距，切分相对容易。但竖排文字中，上下字符的间距往往比横排更紧凑，尤其是行书、草书等连笔字体，字符之间可能出现粘连。更棘手的是，竖排文字中的标点符号、注释符号（如圈点、反白字）的位置不固定，有的标点位于字符右侧，有的位于字符左下角。如果切分算法只依赖垂直投影，很容易把标点与正文切错，或者把两个相邻字符误切为一个。针对这类问题，一些专业古籍OCR系统会引入基于字符骨架的切分方法，先提取字符的笔画走向，再结合竖排的书写规律做动态分割。

横排与竖排的字典匹配策略也需要分开设计。横排文字通常采用现代汉语的词频统计和常用字库，但古籍竖排文字中大量存在异体字、避讳字和俗写字，比如“以”字在竖排中可能写作“㕥”，“礼”字可能写作“礼”的异体。如果统一使用现代简体字库做匹配，识别结果会出现大量错字。更合理的做法是为竖排文字建立专门的古籍字库，包含常见的异体字和字形变体，并在后处理阶段引入基于上下文语义的纠错机制。例如，当识别出“子曰”时，即使“曰”字被误识为“日”，也能通过上下文校正回来。

实际部署中，混合版面的处理顺序同样有讲究。对于同时包含横排和竖排的古籍页面，建议先识别竖排区域，再识别横排区域。原因在于，竖排文字的识别结果往往需要更长的后处理时间，包括调整字符顺序、校正异体字、处理注释符号等。如果先处理横排，再处理竖排，竖排区域的延迟会影响整体流程的同步性。此外，竖排识别完成后，建议对输出文本做一次方向校验，检查行序是否从右向左排列，字符是否按照从上到下的顺序输出。有些OCR系统在竖排识别后会自动反转行序，但需要人工复核，因为部分古籍的版式可能从左向右排列（如某些佛教典籍）。

不同历史时期的古籍，横排与竖排的比例差异巨大。宋元刻本几乎全部是竖排，但到了明清时期，随着商业印刷的发展，横排文字开始出现在封面、牌记、广告页中。民国时期的书籍更是横竖混排的典型，甚至同一页内会出现横排正文与竖排批注并存的情况。因此，在启动数字化项目前，需要先对古籍的版式特征做抽样分析，确定横排与竖排的分布规律，再决定是采用统一的混合识别方案，还是为不同版式分别配置独立的识别流程。如果样本中竖排占比超过90%，可以优先优化竖排引擎，横排部分作为辅助处理；反之，如果横排比例较高，则需要在版面分析阶段更精细地划分区域。

古籍OCR的横竖排区别处理，本质上是对古代印刷工艺的数字化还原。横排文字承载了近代印刷技术的传入，竖排文字则延续了千年的书写传统。只有尊重这两种版式在视觉逻辑和阅读习惯上的差异，才能在数字化过程中保留古籍的原貌，而不是用现代排版思维去强行改造历史文本。