PDG科普篇

作者：马健
邮箱：stronghorse_mj@hotmail.com
发布：2009.09.26

更新历史

2014.11.11
补充了文字版PDG的部分内容
增加CX PDF等打包格式的相关内容

2009.09.26
首次公开发布

事先声明：
1、本文仅代表我自己的个人观点，没有必要争论：如果发现硬伤，欢迎指正；如果仅仅是有不同意见，请自己另写一篇去。
2、本文可以转载，但是必须注明转自读书园地，并注明原作者为strnghrs，并且不能对原文作任何删改，否则视为非法盗版。
3、本文写作过程中得到coolman的指正，在此表示感谢！

==========================================================================

新手初到园地，大概最心烦的就是与PDG相关的各种专有名词，包括图像版、文字版、清晰版、大图版、快速版、6xH等等，本文对此作一个简要说明，希望能起到扫盲的作用。

我个人认为，其实上面说的几个概念关系并不复杂，可以用下面的示意图（此图为strnghrs原创，版权所有，盗用必究）说明：
　　　　　　　　　　　　　　　　　　　　　　PDG文件
　　　　　　　　　　　　　　┏━━━━━━━━┻━━━━━━━━┳━━━━━━━━┓
　　　　　　　　　　　　图像版PDG　　　　　　　　　　　　　文字版PDG            CX PDF
　　　　　　　　　　（文件名无下划线）　　　　　　　　　（文件名带下划线）（一本书一个文件）
　　　　　┏━━━━━━━━┻━━━━━━━┓　　　　　　　　　┃　　　　　　　　┃
　　　　清晰版　　　　　　快速版　　　　　大图版　　　　有人说好，有人不要　　不同历史时期
　　　　　┃　　　　　　　　┃　　　　　　　┃　　　　可能采用各种加密格式，　有不同的清晰度
　　追求的目标　　　　　淘汰的目标　　　比快速版强　　解密后是图文混排的PDF
　常为02H、04H　　　常为05H、AxH、6xH　　非加密
解密后是CCITT、JPG　　解密后是DjVu　　JPG、PNG改名，原版ssreader不认PNG

当然对新手来说这个图理解起来有点困难，下面就加以详细解释。建议在看下文的时候，注意对照此图，以加深理解。

在早期PDG还处于“老子的队伍才开张”的时代，PDG文件都是用扫描后的图像文件产生的，骨子里还是一种图像格式，用官方浏览器ssreader打开后不能搜索、选择、复制文字，要想获得文字信息只能选择OCR。这样的PDG通常称为图像版PDG。

图像版PDG由于是从原书扫描成的，因此完全忠实于原书，包括版式、字体、插图等。但是图像文件毕竟太大，会给服务器、网络出口造成压力，而且不能直接搜索、复制文字也不便于使用，因此后来采用OCR引擎对扫描图像进行文字识别，再经ZIP压缩、按PDG文件格式加密封装等步骤后，出炉了一种骨子里是 纯文字或图文混排的PDF文件的PDG。这种PDG文件在ssreader里阅读时，能够直接搜索、选择、复制其中的文字，放大显示时文字也不会出现锯齿，因此被称为“文字版PDG”，以区别以前的图像版PDG。而在文件名上二者也有区别：图像版PDG文件名是6位，没有下划线；文字版PDG文件名长度不固定，中间有下划线。

到目前为止，没有任何一家OCR引擎敢保证自己的识别率是100%，事实上，我很怀疑未来有任何一家正常的软件公司敢下这样的保证。因此传统上认为文字版PDG不如图像版PDG靠得住，可能会因为OCR的差错而出现错别字，影响阅读、引用。这就是为什么在园地很多人求书时指明不要文字版PDG的原因。不过从我个人的实际经验看，早期 的纯文字版PDG确实存在一些问题， 后来推出的图文混排版则有所改进——OCR引擎把握比较大的文字就识别成文本，把握不大的就保持图片，所以差错不能说没有，但至少比纯文字的要好一点，只不过文本PDG在制作的时候忘记把图片设置成透明了，所以在浏览器里设置了背景后，阅读这种图文混排的PDG会感觉眼花缭乱——解决的办法就是自己把图像改成透明，或者用UnicornViewer阅读，并设置背景强制透明——当然免费版UnicornViewer是不支持文本PDG和PDF的。

另外我也曾碰到过个别文字版PDG是直接用从出版社获得的原始排版文件生成的，没有OCR环节，不仅没有什么错别字（原书有错的除外），而且完全体现原书版式，还是很值得收藏的。当然，这样的高质量文字版PDG只能靠运气，赶上了就有，赶不上也没办法。

总之，通常可以认为文字版PDG具有下列特征：

1、原始文字版PDG文件名必定带下划线，图像版PDG的文件名则没有下划线。
2、通常前言页会跑到最后去。我猜这是因为按照PDG命名规则，前言页以fow开头，所以在OCR的时候，自然排在以数字开头的正文页之后。由此可见PDG官方制作者的水平和态度。
3、把文本PDG解密、解压成PDF后，在Acrobat下打开，正文经常是黑体而不是宋体。修正这个问题的方法我在readfree说过，用PdfToy全文替换一下PDF中的字体参数就好。
4、阅读的时候要么感觉满眼错别字，要么感觉有些诡异，总觉得有些字看起来比较毛糙。如果设置了浏览器的背景，就会发现那些感觉毛糙的部分是白色背景的小图片。
5、原始文字版PDG文件的总长度很大，但转换、合并成一个PDF文件后，如果合并时用的是Acrobat等具有消除冗余对象能力的合并软件，合并后的PDF文件长度会比原始文字版PDG文件的总长度小很多。原因很简单：为了保证每个独立的文字版PDG文件都能被打开，CX被迫在制作时在每个文字版PDG所包含的PDF文件中都嵌入了字体，但其实对一本书来说，正文部分每一页使用的字体都是相同的，所以原始文字版PDG中包含大量的重复信息。用Acrobat合并时，会自动删除相同的字体，从而减少文件总长度。换句话说，如果文字版PDG合并成PDF后文件长度基本保持不变，你就应该怀疑你是不是用错了合并软件了。

文字版PDG虽然文件短小，但OCR毕竟是一个费时、费力的活儿，把所有书籍全变成文字版PDG显然不太现实。因此为了减轻服务器和网络的压力，在图像版PDG中又出现了清晰版、快速版的区别。换句话说，文字版PDG是不分什么清晰版、快速版的。

按照常规定义，采用300 DPI扫描得到的PDG称为“清晰版”，采用150 DPI扫描得到的称为“快速版”。由于DPI差了一倍，对于同一页书，清晰版的长、宽是快速版的2倍，文件长度当然也要大一些，但是文字、插图会更清晰。在园地区别清晰版与快速版的常规做法是：用ssreader打开，如果按100%显示就是快速版，按50%显示就是清晰版。这种鉴别方法武断了一点，不过在大多数情况下还算有效。而在ssreader内部是这样进行区分的：如果图像宽度超过1200像素，则认为图像是按300 DPI扫描的，否则认为是按150 DPI扫描的。这种区分显然忽略了16开版与32开版的差异。

快速版由于文件大小比清晰版小得多，其清晰度虽然比清晰版差，但通常情况下也不至于因此而造成太大的阅读障碍，因此在某段时期内在园地广为流行，甚至有人声称“宁要快速版，不要清晰版”。但是好景不长，在快速版的真面目被进一步揭开以后，很快就成了“过街老鼠”，如今在园地再无老鸟敢要快速版，以前收藏的快速版PDG也都成了鸡肋：为了追求较高的压缩比，快速版PDG全部采用有损DjVu压缩，而快速版本身的清晰度就不是太好，在DjVu有损压缩时，可能会将笔画残缺的相似字识别为同一个字，造成错别字。相比之下，清晰版全部采用无损CCITT G4压缩，完全忠实于原著。有人曾在园地贴出过实际的PDG文件并进行对比：同一页的清晰版没有错别字，而快速版就出现错别字。

不论是清晰版还是快速版，对于文字页面都按照黑白二值图像进行存储，无法在其中加入灰度或彩色的水印。为了解决“疯狂的盗版问题”，在lr、dx等服务器上就出现了“大图版”这种图像PDG格式：将清晰版PDG缩图，加入水印，存为JPG或PNG格式，但是文件扩展名还是PDG，就是所谓的“大图版PDG”了。因此，所有大图版PDG都是带水印的，虽然水印图案可能不同。大图版有大、中、小三种尺寸，大尺寸的大图版与快速版的面积差不多，但更清晰，而且因为是从清晰版PDG转换过来，转换过程中采用的JPEG、PNG（其实是ZIP）压缩也不会产生错别字，因此在快速版遭到唾弃后，园地大多数人的求书要求是：能有清晰版就要清晰版，没有清晰版就要大图版。沦落到快速版、文字版的多半都有迫不得已的理由，如新手最常见的理由就是“穷”（求书指定清晰版需要更多的币币），有些人则是为了节省磁盘空间（快速版、文字版的文件长度通常比大图版、清晰版更小）。

新手初到园地，在没有见识过真正清晰版的情况下，容易把“看起来很清晰”的大图版当作“清晰版”，在求书区曾经有人为此打过笔墨官司。其实大图版如果没有被做过手脚，还是很容易区别的：
1、如上所说，所有大图版都带水印，而清晰版无水印。最常见的水印是篆刻有“好学近乎知”的印章，此外还有不常见的星星图案等，甚至有人帖出来过用近似于《午夜凶铃》剧照的MM彩照做水印的大图版PDG。当然，这些水印基本上都可以通过图像处理淡化甚至去除。
2、大图版通常是供IE在线浏览，IE支持JPG、PNG，但是官方原版ssreader 4.0只支持JPG，不支持PNG。因此纯文字页面的大图版PDG文件，用原版ssreader 4.0通常是打不开的，只能用园地发布的修改版ssreader，或第三方浏览器如UnicornViewer、ComicsViewer才能打开。鉴别图像格式的另一个方法是用免费的Pdg2Pic打开疑似大图版文件所在文件夹，这个软件会自动检查PDG文件的数据压缩算法。在文件没有被人做过手脚的情况下，如果左下方文件信息显示“PNG”则是大图版，显示“DjVu”是快速版，显示“CCITT”是清晰版，显示“JPG”则不确定。不过随着园地众多格式转换软件的发行，也会有人重新对文件进行处理，造成上述方法的误判。
3、大尺寸的大图版和快速版的画面尺寸差不多大，但是比清晰版还是小得多，而且文字看起来发“晕”（从清晰版到大图版缩图时造成的柔化），没有清晰版锐利。不过这个要有比较才会鉴别。
4、清晰版如果有彩色插图，转为大图版后多半会变成灰度图像，这个也要有比较才能鉴别。因此如果求的是带彩色插图的书，我都会指明只要清晰版，当然求书代价也会相应提高。

由于求书人对清晰版的不懈追求，而且清晰版的出价通常比快速版、大图版更高，因此也出现了一些“伪高清”：把大图版或快速版，甚至是文字版转为图像，然后放大到清晰版的尺寸，再经过某些图像处理，用老鹰或coolman提供的PDG压缩软件，采用CCITT算法压成00H或02H PDG，貌似清晰版的“伪高清”就出炉了。这种伪高清虽然不能把灰度插图再变回彩色，但是看上去没有水印，用原版ssreader能够正常打开，用Pdg2Pic检查时“格式”栏显示的也是CCITT，而尺寸也是清晰版的尺寸，因此对于新手来说很难鉴别，在求书应助时也曾有人为此打过笔墨官司。我个人的看法：伪高清的制作过程注定是有损的，因此制作再精良的伪高清，与真正的清晰版也不能完全等同。不过如果伪高清是从大图版制作出来的，而且原书页面上没有插图，处理后的视觉效果也足以“乱真”，碰到这样的“高仿”也算运气。而如果是从快速版或文字版制作出来的，不论制作技术如何高超，都属于绝对不能原谅的JS行为，因为如前所述，快速版、文字版PDG本身就是不可信的。

至于经常有人提到的00H、02H、6xH等数字，指的都是PDG文件的加密格式代号：早期V1版PDG文件加密比较弱，很快就被人破解，然后D版盘卖得到处都是。为了对付D版，PDG文件定义了全新的V2版格式，所采用的加密技术也不断在更新换代。从大版本看，V2版PDG经历了0xH（包括00H、01H、02H、03H、04H、05H）、1xH（包括11H、12H、13H、14H、15H、16H、17H、18H、19H、1AH、1BH、1CH、1EH）、28H、AxH（包括AAH、ABH、ACH）、6xH（包括64H、65H、66H、67H、68H）几个时代。如果想了解每一版PDG详细的加密算法，可以阅读cheming先生的大作《吵醒文件加密方式说明v1.5》。

需要说明的是，对加密格式的判断要结合PDG文件的版本信息才能判断准确。早期曾经有人在园地发行过一些不成熟的格式检查软件，忽略了PDG版本，机械地按照文件头第16字节处的信息判断加密算法。结果经常有人用这样的软件检查后就惊呼“又有新的PDG加密格式了”，徒增笑柄。现在流行的PdgThumbViewer、Pdg2Pic，及老鹰、coolman的格式检查软件，均避免了这样的错误。

目前6xH可以说代表了PDG文件加密技术的最高成就，成为官方打击D版PDG的利器，因此也受到了最为广泛的关注。但实际上，在PDG文件服务器上是不会有6xH格式存在的：高版本的官方原版ssreader会组合登录用户名、本地硬件信息（通称机器码）等生成加密密钥，在下载的时候，会用加密密钥对下载到的PDG文件进行加密，在本地生成6xH文件。因此，用一台机器下载到的6xH文件，换一台机器就不能读了——两台机器的机器码不一样。解决的办法包括：
1、用cheming的Pizza、老鹰的coffee、coolman的魔术师解密。
2、不用官方原版ssreader下载。如前所述，6xH是原版ssreader下载后在本地生成的。可供选择的软件包括修改版ssreader（去掉6xH加密环节）、BE等。
3、用官方原版ssreader阅读或下载，但是对网络数据流进行截流，获得加密前的原始PDG。

除了上面说的机器码限制外，PDG中还可能有时间限制：如果用官方原版ssreader阅读本地保存的带时间限制的PDG文件，在超过规定期限后，ssreader就会自动对文件进行破坏。而在文件到期前把它解密掉，也常常成为在园地购买Pizza、coffee、魔术师等解密软件，或刻苦努力翻旧贴，研究报文、嗅探、截流等技术的理由。

带时间限制的PDG虽说有点定时炸弹的感觉，好歹在有效期内还能在本地阅读，而某些镜像服务器上的AxH则只允许在线浏览，不允许下载阅读：用官方原版ssreader下载AxH到本地后，会立刻对文件进行不可恢复的破坏，破坏后的文件用格式检查软件检查通常显示为FFH格式，因此在园地FFH也是“死亡”的代名词。解决的办法就是别用原版ssreader下载，改用截流、第三方下载软件或修改版ssreader。不过到现在为止，我见过的AxH全部都是快速版，看过就删了。

对于没有做过手脚的图像版PDG，PDG的加密格式与图像清晰度密切相关：早期清晰版通常是02H、04H，而快速版是05H，因此早期在园地也用加密格式代号来辨别清晰版与快速版，02H因此成为追捧的对象。不过自从老鹰、coolman发布PDG加密软件后，可以任意更改PDG的加密代号，这招就常常失灵了。

所有格式里比较特殊的是00H，即不加密的格式。这种格式当然也不会有时间、机器码限制。除早期的服务器外，目前新的PDG服务器上已经很难找到这种格式。但不论是清晰版还是快速版，经Pizza、coffee、魔术师解密后都成为00H。图像版00H可以用原版ssreader正常阅读，而且由于在阅读的时候不再需要花时间进行解密，因此显示速度可能比未解密的快那么一点点。不过如果文字版PDG被解密成了00H，用原版ssreader就不能阅读了，因为它认为这世上本不该有未加密的文字版PDG。目前00H的文字版PDG只能用园地提供的高版本UnicornViewer，或老鹰、coolman提供的ssreader增强插件才能阅读。

但是无论如何，现在用官方原版ssreader从sslib下载到的6xH，多半都是快速版（据说很久以前有过清晰版，现在也不排除漏网之鱼的可能）——为了减轻服务器压力，新版官方ssreader在下载sslib时，会自动选择从存放快速版的服务器上下载，这就是为什么经常有人问“用ssreader在线浏览很清晰，下载后再看就不清晰”的原因。而用官方ssreader从主站下载，则可能得到6xH的清晰版，并且这种6xH不受有效期限制（机器码限制还是有的）——听起来不错，可惜主站的书实在少了点。至于解决的办法，前面已经说过了。

所以园地新手的迫切愿望，最优先的当然是能够看到不受限制的00H的清晰版，退而求其次就是大图版，实在不行也要摆脱6xH的时间、机器码限制，从此过上安宁、快乐的幸福生活。

而随着手持阅读设备的兴盛，大家都开始感觉到以散页方式存放的PDG文件在手持设备上阅读时的不便，CX公司也顺应潮流推出了打包电子书格式，即一本书打包成一个文件，方便在手持设备上存储、阅读。

到目前为止，CX公司正式公开推出了两种打包格式，一种是私有的PDZ格式，一种是公开的PDF格式。PDZ格式的详细说明请参见cheming等发表的相关文章，我从来没有接触过这种格式，所以不便评价，只知道用coolman发布的“深海宝贝”软件可以实现PDZ、PDG格式之间的相互转换。

CX推出的PDF在园地一般称为CX PDF，以区别于一般常见的扫描版PDF——因为这种特殊的PDF实在是制作得太烂了，不仅文件臃肿不堪，而且文字可能缺笔少划，详见我在园地相关帖子中所举的例子。

其实早期的CX PDF都是从清晰版PDG直接转出来的，而且转换所用的软件库还是花美金买的国外软件库，只不过很不幸的是CX公司的程序员不知道应该如何正确使用这套软件库，所以转换出来的PDF才会有种种问题。但其实CX PDF只是制作过程本身出了问题，图像本身是没错的，所以PdfToy专门针对CX PDF进行了优化，可以把CX PDF中的图像无损导出，因此早期用原始清晰版PDG制作的CX PDF仍然能转回清晰版PDG，而后期用清晰版PDG缩水制作的CX PDF，转完了也是缩水的PDG。

换句话说，早期CX PDF都是用真正的清晰版PDG转换出来的，因此虽然直接阅读的时候有点问题，但转回PDG后没有问题。后来可能是为了压缩文件长度以缓解带宽压力和存储压力，CX开始用缩水的清晰版制作CX PDF：把清晰版PDG的长、宽压缩到50%，然后再转换成PDF。这种缩水版的CX PDF转回来的PDG也是缩水的：实际DPI只有150，和以前的快速版相同，但因为没有采用蛋疼的DjVu压缩，所以清晰度比快速版要好，甚至比大图版都好，而且没有水印，所以一度被人用来当作清晰版PDG应助，在园地引发了热热闹闹的口水官司，我也在无意中被卷入，被迫紧急发布了DpiCalc（DPI计算器），可以按照书籍开本、图像像素尺寸反算DPI，或按照书籍开本、DPI计算扫描像素尺寸，让喜欢计较DPI的人可以算到爽。在Pdg2Pic、UnicornViewer等软件中，在报告PDG的DPI值时，也开始按照CX算法、32开算法、16开算法分别报告。

总之，CX PDF不管是原始的还是缩水的，清晰度都比快速版、大图版更好，又没有文字版的OCR错误，所以在找不到清晰版PDF的情况下，也是一个不错的选择，而在补附属页的时候，基本上是目前最佳的选择。

而在PDZ、CX PDF之前，CX公司还悄悄推出过一种打包格式，只不过一般人不知道。引用coolman的原话：超星还有一种内部是html压缩包的pdg文件，类似chm这种文件，一般是一本书就一个文件，文件名没有任何特别之处。大多数应该是超星会员制作后，超星加工的。此类格式的文件目前可以用魔术师（注：现在是“深海宝贝”）查看，并导出内部包含的图像和htm文件。

我貌似在SSREADER里见过这种html文件打包的功能，不过太久没有用SSREADER，不是很清楚了。