记录一下。
早上有群友求助，需要某书籍中译版本的 EPUB，原因是之前用的 PDF 版本不太好划线。
书名、作者、译者信息都十分明确，所以要做的就是直接搜索此书的 EPUB 版本资源或是基于 PDF 版本用工具转换成 EPUB。
我简单检索了下，并没有直接找到 EPUB 版本，所以打算下载 PDF 后进行格式转换这条路子。但我发现，此书的 PDF 是扫描的，并且选择文本后发现 OCR 质量非常差。这可能也是群友觉得“不太好划线”的主要原因。
查询元数据可以看到 creator: ocrmypdf / Tesseract OCR-PDF 5.2.0 其中 Tesseract 是原 HP 工程师 Ray Smith 开发并在 2006 年由谷歌接手的 OCR 引擎。不过这个引擎的强项在拉丁字母印刷体，所以中文印刷体的识别会不太好。
于是我使用 MinerU VLM 对全书四百多页做了全量的 OCR，然后让 Agent 编写了合并排版并导出 EPUB 的脚本。脚本中清除了页眉标题、行首页码残渣和纯数字行，并重新构建了目录索引，脚注格式也尽可能还原。
已知的小瑕疵有：原跨页产生的断行以及极少量游离数字(MinerU 的识别误差)。
这个工作流感觉是可以 SKILL 化的，后续针对扫描版的电子书，可以通过 MinerU OCR，然后让 Agent 写脚本来排版(每一本书的处理逻辑应该都会有些差异，这里把如何做交给 Agent 判断效果应该更好)。
