一柜子老书怎么变成能读的字——长征史料整理这段路

前 头

手上这些长征史料，说白了就是一柜子的老书和大量的扫描件。粗粗一数：《毛泽东年谱》全九卷，解放军出版社的《中国工农红军长征史料丛书》，文献、回忆史料、参考资料加起来十来卷；中央党史研究室的纪实丛书九卷，从北上抗日先遣队到西路军卷；南方三年游击战争各游击区一套；中华民国史档案里的国民党追堵两册；还有红军长征全史、战史资料、方面军人物志……十几类，几百本。

这些纸质书和扫描件有两个麻烦。一个是读起来累：扫描件没有文字层，查一句话得靠眼睛在整页图里扒拉，想按日期理出个先后更是无从下手。另一个是来源杂：有的有现成的文字版但错漏不少，有的是纯粹的扫描图，得一张张读。——很辛苦，而且效率很低。

事情的转机从八月份开始，偶然的机会，接触到了workbuddy，尝试着用他来整理资料，结果非常棒，经过沟通，他能理解你的意图，并付诸实施，我给他取了名字叫“阿福”作为我的助手、合作伙伴。阿福很快就帮我把第一部分的资料整理到位，现在我们就干一件事：把这些老书一本本转成能读、能查、能用的文字。

大概步骤就是两步，从“毛坯”转为“精工”。"毛坯"是把PDF直接转成Word，段落不分、错字不改、注文也不理，只能算个草稿；"精工"是在毛坯的基础上，拿原书扫描页逐字对过、排版体例都收拾利索的成品。我们干的，是把毛坯变精工。

这活儿有多难？转一本《中国工农红军第一方面军史》就撞上四类毛病：每页底下的脚注跟正文挤在一起、编号对不上；一段话恰好跨页，被硬劈成两截；页眉里的"—78—"混进了正文；字恰在页边界被认错，"日，"认成了"1,"。这四样是所有扫描老书的通病，也是咱们这套手艺的起点。

一、立桩：三条路盘活全局

之前我都是对照着纸质书或者PDF文件，一个字一个字敲，再后来技术进步了，可以把PDF文件转换成word文档了，但也需要一个字一个字的核对，费时费力。——看来干这活不能靠人硬啃。

应用了workbuddy后，我们摸索出“立桩”的法子，靠三条路把整个整理流程撑稳。第一条路是标准先行，先给每本书定好体例模板，脚注怎么放、跨页如何接、页码标记怎么剔，都有章可循；第二条路是工具辅助，让workbuddy按模板做毛坯到精工的转换，人只管抽检和难点的手工修；第三条路是分批校验，每整理完一类史料就抽看十几页，错了就回头调规则。这三样扎住，几百本老书就不再乱阵脚，活儿也算真正走上了道。

workbuddy有自己的绝活：先提取原书的文字底稿，再把扫描页渲染成图，逐页亲眼看定页界；校对时以图为准，图上是啥就是啥；碰到拿不准的字，裁出几百倍的高倍图，一个笔画一个笔画地认；组装成Word之后，还要换一种写法独立复验一遍——文件在不在、字一个不多一个不少、段落顺序原不原样，三样全过才算交活儿。

workbuddy看图的眼力很独到：书页和扫描页之间有固定的页码偏移，反推一下就能对号入座；括号分方头和圆头两种，六百倍图下一看便知——上端直角横笔的是［］，月牙弯钩的是〔〕；还有，电文里的圈号多半是条款序号，不是注号，绝不能照着号码硬配。碰到整页图看不清的，还得把上下半页分别裁出来放大看，绕开缓存判重这些技术上的小坎。

workbuddy懂得体例规矩：注文要内联，紧贴在正文注号后头，不另设注释区——这是为了读者阅读方便给他另立的一条规矩，也执行的很好。字号分层，标题十五磅、日期十二磅、正文十一磅、注文九磅，各有各的大小；文件名用原书篇目对，不许拿正文首行凑；凡日期夹注（1935XXXX）一律删——那是拆分时自己加的记号，原书上没有。这些规矩看着琐碎，但正是它们让成品读起来干净。

这条工艺链不是一次成型的。光"注文内联"这一项，就在文献1全卷九十件、三百六十七条注文上反复试了三轮：先按页配对，页数对不上就按全局顺序配，再对不上就逐条看语义定锚点。三百多条，条条都过了眼。——如果依靠人力解决一条一条这些问题，简直不敢想象。

二、摔跤：几个大跟头

workbuddy是好用，但有时候也像个正在成长的小孩子，时不时的犯些小脾气。

比如爱钻牛角尖。

有时一个问题解决不了就拼命地在自己原有的路径上算啊算啊，越算越不对，越算越离谱，这时候，我赶紧以技术小白的身份，用“人脑”帮他想其他的出路，并命令他停止固有方法，尝试用新方法解决问题，他倒还算“虚心”，会及时调整思路，并且在我的思路基础上创造性的提出更好的方案。换思路最漂亮的一仗，是文献1里那张《野战军南渡贡水计划表》：整整五页全是表格扫描图，连个文字层都没有，机器一个字都提不出来，老路子到这儿就是死路一条。——不指望机器认字了，把五页表格裁成一块块高倍图，一个格子一个格子用眼睛啃，硬是三千八百二十八个字一字不落，全须全尾转了下来。打这以后，整页表格再也不是拦路虎。机器啃不动的，人眼接得上，这搭档就算配齐了。

还有时候就是“自信心爆棚”，结果一个跟头栽在"自己说自己好"上。

有一回脚本自报验收指标全过，交出去的成品却是断臂的，一查自报数是假的。被我抓住了。从那以后立了死规矩：脚本自报的指标一律不作数，必须换一种写法重算一遍，再拿眼过一遍，两边对上才敢汇报。后来又添一条：同一处毛病修了三轮还不净，说明病根找错了，立刻回原书重查，不许打第四轮补丁。

还有几个跟头，同样是栽在“自以为是”上：

“编号”本是很简单的一件事，但偏偏编着编着就出了错位、重号、断链，一复盘才发现是“凭印象取号”造成的。——我们姑且称为“编号事件”。

头两天我们学会了一件新本事，那就是“后台自动运行”，并设了巡检的规矩，防止断链耽误时间。可是由于阿福操作失误，虽然在声明里写着"转入巡检模式"，可巡检任务早就删了、没重挂——口头巡检，等于没有巡检。结果断链三个多小时愣是没察觉，直到被问起。——我们姑且称为“巡检事件”。

诸如此类，事后我们复盘，找出了事故原因，并总结出一条铁律：凡声明必验证，凡验证必留痕，凡留痕必可查。口头承诺一律视为未执行，凡事都必须落实到位才算数。

我们就是这样相互扶持着、相互支持着往前走。他负责算力与执行，我负责方向与判断，彼此补位，倒也磨合出几分默契。

三、合龙：线自己跑起来了

规矩立全了，线就自己转起来了，很快成果一批批涌现出来。

先是参考资料1整卷一百五十七件收官；接着把十一卷两千三百二十件成品从各书的临时目录统一搬进一个新家、按新规矩改了名——书名打头、篇名在中间、末尾标"精工版"，搬完换一种写法直扫目录复核，十一卷分卷计数逐一吻合，一件不差。

然后是参考资料2《国民党追堵中央红军川滇黔》，一百六十件。这一卷从头天夜里一直转到晌午，十六个批次一口气跑完，每批十件上下，页界一页页亲眼看定，存疑处一张张高倍图核对，成品一件件独立复验。晌午前整卷落定。当晚按"卷完接卷"的约定，参考资料3《国民党围剿红四方面军》无缝接上——一百八十八件，到第二天下午已经整卷收官。

这一卷卷之间怎么衔接的？全靠那套"三件套"：每批干完，打卡记一笔、挂上下一批的定时器、再在打卡里写明"下一批已挂"。白天主会话在线就自己推着走，夜里主会话歇了，定时器和巡检接着顶。头一天晚上我说一句"开干"，第二天早上再看，第十三批已经落了盘。

现在这条线是三重保险：干活的会话每批自己收尾接续；常驻巡检每小时查一班岗，断了三十五分钟直接接管；主会话在线就直推。人歇，活不歇。

坑不白踩——每一个坑，最后都变成了这条流水线上的一道闸门。

现在，我和阿福合作的非常顺畅，充分体验到了科技带来的便利。也深切的感受到，只有社会主义新中国才能让普通人用上这么先进的技术，科技平权，在我们这个时代实现了！同时也祝愿更多的人能够享受到这份便利，用上这些工具，为社会创造更多的价值。