新华书店古典小说价格联盟近期完成了一项针对馆藏文言短篇的数字化抢救工程。这批以明清刊本为主的藏品，长期面临纸页脆化与墨迹褪色的双重困境，而传统影印方式已难以满足现代读者对检索与阅读体验的需求。我们采用“分阶扫描+多模态标注”的保存方案，试图在保留古籍原貌与提升数据可用性之间找到平衡点。

一、分阶扫描策略与影像标准

针对不同品相的底本，我们制定了三级扫描规范：一级用于保存，采用600dpi彩色无损TIF格式，捕捉纸张纤维与朱批印泥的细节；二级用于阅览，压缩为300dpi的JPEG2000，兼顾清晰度与加载速度；三级则针对残页或虫蛀本，仅做灰度存档，避免光照加剧损伤。这套流程下来，单册平均生成约1.2GB的原始数据，服务器需扩容至80TB才能容纳首批五千余册的存量。

然而，单纯的影像化只是第一步。文言小说中大量存在的异体字、俗字及避讳缺笔，对OCR引擎是严峻考验。我们放弃了通用识别模型，转而在标注团队协助下，对《剪灯新话》《觅灯因话》等典型文本进行了字库微调，将识别准确率从初期的67%提升至91%左右。这个过程很枯燥，却直接决定了后续全文检索能否落地。

二、多维度元数据标签体系

我们抛弃了按四部分类的单一树状结构，转而构建了“题材+母题+人物关系”的三层标签网。以《聊斋志异》中的《婴宁》为例，它既被归入神怪小说，也同时挂接“笑态描写”“狐女报恩”“园林空间”等十七个细颗粒度标签。这样做的好处是，当研究者需要对比不同时代的公案小说人情书写时，系统能瞬间调出跨越明代至清末的三十余篇相关文本，而不仅仅是依赖书名或卷次。

这套标签体系还覆盖了白话长篇与白话短篇的交叉参照。我们发现，很多文言短篇其实是白话长篇的“本事来源”。例如，清人某部文言笔记中的一则判案故事，后来被扩充为数百回合的英雄小说章节。在数字化过程中，我们为这类跨体裁关联建立了双向跳转链接，读者从文言原文点击，即可看到白话化改写后的对应段落，这为叙事流变研究提供了直观路径。

三、案例：万历本《百家公案》的修复与关联

以馆藏万历年间刻本《百家公案》为例，其卷首版画磨损严重，但文字部分尚可辨识。我们首先对其进行了红外扫描，成功还原了被墨迹覆盖的卷末牌记，确认了书坊主和刻工姓名。随后，我们将书中一百则包公断案故事逐一拆解，与《龙图公案》的白话短篇版本做了句子级对齐。这个过程暴露了一个有趣现象：文言版中简略的“情理推断”，在白话版中被扩写为大量对话与心理独白，而数字化标注能清晰呈现这种增删的量化比例。最终，这批数据被整合进我们即将上线的“新华书店古典小说数字库”测试版，供内部学术用户试用。

当然，技术方案并非万能。在数据清洗阶段，仍有约3%的页面因水渍粘连或墨色透印而需要人工逐字校对。我们组建了六人小组，参照《汉语大字典》和《小说语词汇释》，每天平均校对二百余条记录。进度不快，但胜在扎实。我们计划在明年第一季度开放第一批约八百种文言小说的全文检索与图像对照功能，届时也会同步推出针对移动端的适配界面。

数字化保存的终点，不是冷冰冰的磁盘阵列，而是让那些沉睡在库房里的文言小说重新进入学术讨论与大众阅读的视野。方案会迭代，标准会更新，但整理与保存本身，就是对古典文学传统的一种敬畏。