如何下载 Internet Archive 图书：挑选好用实用的 PDF 或 EPUB 版本
下载 Internet Archive 上公开提供的图书，挑选合适的版本与格式，并通过真实的 PDF 与 EPUB 对比排查 OCR 问题。
要下载在 Internet Archive 上以公开文件形式提供的图书，请打开其条目页面，找到 Download Options（下载选项），然后选择提供的 PDF 或 EPUB 格式。如果需要特定的某个文件，请点击 Show All（显示全部） 。在将图书导入阅读流程之前，请务必核对版本并抽检几页实际内容。
最后一步至关重要。在我们检查过的一个法文版 《老实人》（Candide） 中，EPUB 文件虽然通过了 ZIP 完整性校验，但其导航文档却是空的；而 PDF 中肉眼清晰可读的段落，在两者的提取文本中均已损坏。下载成功仅仅是检验的开始。
本指南介绍的是常规公开下载，不涉及导出受限借阅图书。Internet Archive 表示， 并非所有条目或文件都支持下载。如果您首先需要寻找合适语言版本的帮助，可以参考 我们的公有领域电子书选书指南.
下载该条目确切提供的文件
- 打开图书的 条目页面，而不仅是搜索结果或在线阅读器中的单个页面。
- 核对书名、作者、语言、卷次以及出版信息。如果版本很重要，请打开扫描的书名页确认。
- 找到 Download Options（下载选项） ，并选择该条目实际提供的格式。
- 如需查找特定的文件，请选择 Show All（显示全部），然后选择该文件。PDF 可能会在浏览器中直接打开；使用浏览器的下载控件保存 PDF 文件本身即可。
- 在下载的同时保存该条目的 URL，以便日后确认来源。
这些是 Internet Archive 的文件下载说明中常规的下载途径。包含多个文件的格式选项可能会生成一个 ZIP 包；那是一个文件合集，并不一定只包含单本书。如果你只需要某一个文件，直接选择单独的文件即可。
避免一开始就点击“下载所有文件”。一个条目的文件列表可能包含扫描件、元数据、OCR 输出、缩略图以及多种阅读格式。文件包体积大只会增加检查的工作量，并不代表能提供更好的阅读副本。
如果缺少 PDF 或 EPUB
请查看实际的文件列表，而不是凭空猜测下载 URL。有些条目提供的是其他格式；有些则有访问权限限制。即使能在网页上看到图书预览，也不代表一定有常规的 PDF 或 EPUB 可供下载。
如果该条目引导你去借阅或进入受限阅读器，请按照那里显示的访问选项操作。这种公开下载流程并不能把借阅图书变成无限制的文件。同样，拥有下载权限也不代表获得了后续上传、翻译或重新出版的许可；请妥善保留该特定版本的版权信息与来源记录。
选择阅读副本，并在需要时准备扫描参考件
不要仅凭文件扩展名来选择。应根据你打算如何使用该特定版本来进行选择。
| 你的后续任务 | 首选格式 | 需检查的内容 |
|---|---|---|
| 通过可调字体获得舒适的阅读体验 | EPUB（如果提供） | 章节导航、段落顺序，并对比扫描件抽查几处段落 |
| 查看印刷页面或核对引文 | 基于扫描件的 PDF | 图像是否清晰、版本是否正确，以及相关的印刷页面 |
| 检索或复用文本内容 | 包含可用文本的文件 | 搜索一个你能看到的短语，然后将复制出的文本与页面进行比对 |
| 使用仅提供 DjVu 格式的记录 | 兼容的阅读器或其他合适的文件来源 | 您的阅读应用是否支持该文件；切勿将其直接重命名为 .pdf |
EPUB 可以让古籍更易于阅读，但由扫描件生成的 EPUB 并不等同于经过校对的文字排印版本。Internet Archive 的 OCR 排错指南 指出，扫描质量、字体排印、语种以及页面方向都会影响文字识别效果，而由此衍生的阅读文件也会继承这些识别错误。
一份可检索的 PDF 包含两个需要检查的部分：肉眼可见的页面，以及用于选词和搜索的底层文本。Internet Archive 的 PDF 生成文档 中说明了这类 PDF 是由图像和 OCR 提取的文本合成的。因此，页面看起来清晰，并不代表复制出来的文字就完全准确无误。
对于扫描生成的书籍，建议保留一份用于阅读的 EPUB，同时保留一份 同一条目的 PDF 以供查对。这虽然不能提高 EPUB 的准确性，但为您提供了一个核对依据。关于两种格式更广泛的权衡，请参阅 EPUB 与 PDF 的对比.
一份法语版《老实人》下载文件实测分析
我们检查了来自 Internet Archive 条目 candideouloptimi00volt_1的 EPUB 文件，该条目编目为 1761 年法文版的 《老实人》（Candide）。2026 年 9 月 12 日，我们下载了其对应的 PDF 文件，对照当前文件元数据核验了两个文件，并对比了同一条目下的选定页面。
该 EPUB 文件于 9 月 11 日下载；其文件大小和已发布的校验和与 9 月 12 日的元数据仍然完全一致。我们检查了它的打包结构，渲染了四页 PDF，并对比了三处对应的正文样本。本次测试 并非全文校对、EPUB 阅读器兼容性测试，亦非 BookTranslator 翻译测试.
| 检查项目 | 实测结果 | 能证明什么，以及不能证明什么 |
|---|---|---|
| EPUB 下载完整性 | 19,084,489 字节；ZIP CRC 校验通过 | 压缩包可正常读取，但并不代表其内容准确无误 |
| EPUB 结构 | 280 个阅读顺序条目； EPUB/nav.xhtml中无链接；缺少包标题或语言元素 | 包元数据和导航需要注意；280 个条目并不代表有 280 个章节 |
| 同一条目的 PDF | 24,007,667 字节；276 个文件页面 | 页面数与 EPUB 不同，但这本身不能证明书籍缺页 |
| 原始扫描元数据 | 278 条扫描记录，其中 276 条被标记为包含在访问格式中 | PDF 页数与该包含列表一致；但这并非对印刷本完整性的独立核查 |
位于 PDF 文件第 9 页的书名页图像上清晰地印有日期 M. DCC. LXI.。我们同时结合了该图像与条目记录来确认版本。文件时间戳和网站添加条目的日期都无法替代对书籍本身的核对。
这份 下载检查记录 包含文件标识符、哈希值、范围及观察结果。而 复现说明 则解释了如何在不依赖我们结论的情况下重复这些限定范围的检查。
示例 1：装饰被误识别为文字
在 PDF 文件的第 11 页，章节开头标题上方有一个大型装饰性边框。对应的 EPUB 文件 EPUB/page_11.html在标题前却以一串无关的符号和字母开头。PDF 提取出的文本也包含类似的噪点。
渲染出的页面让问题一目了然：那些痕迹属于装饰图案，而非开头段落。选择 PDF 能保留图像，方便读者发现错误；但直接从其文本层复制，依然会把识别错误带入后续内容。
切勿将古法语书籍中所有不熟悉的拼写都归咎为错误。历史字体与拼写需要与图像进行比对。装饰图案被错误识别为凭空捏造的字符串，与不常见但确属真实的印刷词汇是截然不同的两码事。
示例 2：可读段落在两种文本输出中均发生损坏
在 PDF 文件的第 260 页（书中可见页码为 252），图像显示了一段提及 Turquie 和 Pangloss的文字。而在 EPUB 的 page_260.html中，这些名字周围的行变成了乱码；通过 Poppler 26.08.0 提取的 PDF 文本在同一段落也同样损坏。
正因如此，我们不建议在未进一步核对源文件的情况下，直接将此类 EPUB 导入长文档处理工作流。即使切换到 PDF 并复制其文本，也无法解决所发现的损坏问题。我们并未评估整本书的错误率，也未确定哪种 OCR 工作流最适合修复它。
我们的第三个正文样本是 PDF 文件的第 100 页（书中可见页码为 92）。它提供了正文中间部分的另一处对比参考，并不代表其余页面完全正确。仅检查开篇页面无法发现后续出现的损坏段落。
另一版本并未提供完全相同的格式
我们还检查了 条目 candideouloptim01voltgoog，其目录元数据标注的出版日期为 1759 年。在 9 月 12 日的文件列表中包含一个 DjVu 文件，但 没有任何 PDF 或 EPUB 条目。9 月 11 日下载的 DjVu 文件大小为 6,510,150 字节；其公开发布的校验和与更新后的元数据依然吻合。
这仅是一项文件可用性检查，并非对该版本的排版渲染审查。我们并未证实其文本质量更好、内容是否完整，或是能否在特定研究任务中替代 1761 年版。
由此得到的实用经验很简单：同一部作品的两个词条并不代表可以互换的下载选项。如果您必须使用某个特定版本，请使用支持其提供格式的阅读器，或者寻找该版本的其他扫描件。如果您只是想阅读该作品，选择另一个标识清晰的版本往往更为轻松。
切勿以为文件更小、年代更久或带有 DjVu 扩展名就意味着 OCR 质量更好。这些属性与文本准确度并无直接关联。
在导入书籍前进行简短的验收检查
下载 版本与文件验收工作表。建议每个条目保留一份记录，尤其是在对比同一书名的多个版本时。
请按顺序执行以下五项检查：
- 身份核对： 您能否将条目记录与所需的扉页、语言、卷次和版本完全对应？记录下任何不一致之处，切勿在未留记录的情况下随意选用某一来源。
- 访问权限： 这是否属于常规提供的下载？请保留版权声明，并将个人阅读用途与任何潜在的上传或重新分发行为区分开来。
- 能否打开： 保存的文件能否在你打算使用的阅读器中顺利打开？ZIP 检查虽然可以排查 EPUB 压缩包本身的完整性，但无法替代在实际阅读器中亲自打开验证。
- 导航与完整性： 尝试点击目录菜单、跳转到中间章节并翻至结尾。将它们与扫描件或原版的实际目录进行比对；切勿直接将 EPUB 的脊柱（spine）项等同于真实章节，也不要将 PDF 的文件页码直接等同于纸质印刷页码。
- 文本质量： 分别抽检开头、中间和结尾处的简短段落进行比对。重点核对人名、重音符或跨页段落。尝试搜索页面上可见的字词，并仔细检查复制出来的文本，而不能仅看页面图像显示。
根据核查结果决定下一步操作。如果文件完全打不开，通常意味着下载损坏或格式有误；如果书籍排版看起来正常但复制出的文字是乱码，则需要进行 文本层诊断；如果扫描件本身缺页，就需要寻找其他图书来源，而不仅仅是换个 OCR 工具重试；空白的导航目录对于临时查阅或许尚可接受，但长篇阅读时会非常令人抓狂。
针对上述的 《老实人》（Candide） 样本，我们的建议是：保留原始扫描件作为视觉参考，并另寻更干净的纯文本版本，或者在大量重用之前对受损文本进行修复与核验。绝不能仅仅因为下载成功并通过了 ZIP 检查，就草率地认为该 EPUB 文件已万事俱备。
仅在语言是唯一障碍时才进行翻译
如果该文件使用的语言你完全看得懂且阅读顺畅，那么准备工作到此就已经完成。此外，寻找一份你所需语言的现成译本，通常也比从头创建一份新机翻版本更加合适。
如果你已经拿到了可用文件，拥有相应使用场景的合法权利，且唯一的阻碍是语言不通，那么使用 BookTranslator 的 EPUB 翻译器 或 PDF 翻译器 就是最顺理成章的下一步。请注意，这些是文件翻译工作流，并非用于破解 Internet Archive 借阅限制的解锁工具。此外，在本指南核对产品功能时，DjVu 并不是 BookTranslator 支持上传的格式。
对于纯图片扫描件或识别文本受损的文件，请在继续操作前仔细了解 扫描版 PDF 处理流程 。BookTranslator 的 OCR 模式会对翻译后的内容进行版面重构，而无法百分之百保留原始扫描页的精细排版；我们目前尚未在上述 《老实人》（Candide） 文件。请保留原始扫描件，并在校对期间对比重要段落。
真正有价值的结果不是“我下载了一本书”，而是“我已经确认了该版本，针对我的阅读需求检查了文件，并清楚还有哪些问题需要解决”。
