一个朋友上个月问我有没有靠谱的电子书下载去处，说想趁着换工作的空档补一补基础知识。我给他整理了一份清单，结果前两天他回我一句“你给的那几个页面有一半打不开了，还有一个下下来是个压缩包，解压出来让我装个播放器”。这事挺典型的——电子书下载这件事，难的从来不是“找到链接”，而是判断哪个链接背后的东西值得你花时间。免费电子书这个领域，资源供给的形态这几年变化很大：一部分内容因为版权到期进入公有领域，成了可以合法自由传播的公共资源；一部分是科研与教育机构主动开放出来的成果；还有一部分则是挂羊头卖狗肉的流量陷阱。想靠下载电子书来学习充电，光有一堆网址远远不够，你得有一套自己的筛选逻辑、清洗流程和阅读节奏。这篇东西写给三类人：刚入门、见到“免费”两个字就想点的手快党；已经屯了几百本却一本没读完的收藏家；以及想把电子资料真正用进工作里的实践者。下面全部是我自己这几年摸出来的做法，包括我踩过的那些坑。

1. 先分清“免费”的三种底色，再决定要不要伸手

我见过太多人把“免费电子书”当成一个整体概念，其实它至少分成三种完全不同的供给逻辑，对应三种完全不同的质量和风险画像。分不清这个，后面所有的下载行为都是盲目的。这一节我们把这三类拆开看，每一类的来源特征、内容偏向、常见坑点都不一样，你判断一个页面属于哪一类，基本就能预判它能给你什么、会不会坑你。

1.1 版权保护期届满的公共资源：最稳妥的那一档

这是最干净的一类。著作权有个保护期限，期限一到，作品进入公有领域，任何人整理、复制、传播都不再需要授权。国内通行的规则是作者终生加去世后五十年，多数海外地区是七十年，具体年限视作品来源地而定——这个差别在实际使用中很重要，同一部外文原著在不同地区进入公有领域的时间可能差二十年。这类资源的典型特征是：内容偏经典，文学、哲学、历史、早期科学著作占大头；版本信息往往很讲究，好的整理方会把初版、修订版、不同译者的版本分别列出；下载页面通常不催你注册，也不会弹一堆窗口。

这里有个特别容易被忽略的坑：原著进入公有领域，不等于你看到的那个中文译本也进入公有领域。译作是二次创作，译者享有独立的著作权。我见过不少人理直气壮地说“这书作者都去世一百年了怎么还有版权”，然后转头下载了一个八十年代出版、译者还在世的中文译本。原著你可以随便用，但那个特定译本的文字组织、注释体系、术语选择都是有主的。所以判断一本外文经典能不能放心用，要看两头：原作者的保护期，和译者的保护期。真要引用或者二次使用，优先找明确标注“公版译本”或者干脆自己对着原文理解。

另外一个现实问题：这类站点的排版质量参差不齐。有些是志愿者精校过的，错字率极低，还带目录锚点和脚注链接；有些则是早年扫描识别后随便丢上来的，一句话里能有三处识别错误。同一本书在不同来源的文本质量可能差出十倍，这就引出后面要讲的文件校验环节。

1.2 开放获取与作者主动授权：学术与自出版的两条支流

第二类是主动开放的内容。科研领域的开放获取运动这些年推进得比较扎实，大量论文、会议集、部分专著在发表时就以开放许可的方式提供全文，作者或所在机构付费买断了传播限制。教育领域还有一类开放教材，由机构或基金会资助编写，明确允许自由下载、转载甚至改编。自出版作者里也有一部分人会把整本书免费放出，作为引流或者纯粹的兴趣分享。

这类资源的价值密度往往很高，但使用体验通常一般。学术类 PDF 的排版是为了印刷和评审服务的，双栏、密排、公式穿插、图表跨页，在小屏幕上读起来很折磨；文件名经常是一串投稿编号，不打开根本不知道是什么；同一个研究的不同版本（预印本、会议版、期刊版）内容可能差很多，误引版本是很常见的失误。我在整理这类资料时养成一个习惯：下载完立刻把版本信息写进文件名，宁可名字长一点，也不要三个月后对着三个长得一样的 PDF 发懵。

至于作者授权的免费书，判断标准很简单：看作者本人有没有在自己的主页、通讯渠道或者书籍前言里明确说过“可以自由分发”。如果只是某个第三方站点单方面提供下载，而作者毫不知情，那这类就不能算“授权”，后面会讲到怎么绕开这些。

1.3 伪装成电子书的那些东西：把风险识别提前到点击之前

第三类是需要重点防范的。免费电子书是极具吸引力的诱饵，因为它天然对应“我想学点东西”这种正向动机，人在这种心态下警惕性会下降。我见过的套路大致有几种形态：下载下来的是一个压缩包，里面装着扩展名被改过的可执行文件，双击就运行；页面上的“下载”按钮其实是广告位，点了跳到某个要求你先装个“下载助手”的地方；还有一种更隐蔽，文件确实是 PDF，但只有前几页是内容，后面全是引导你访问某处的插页。

识别的关键动作只有三个，但必须形成肌肉记忆。第一，看扩展名和实际文件类型是否一致——把文件下载到本地后，先看它的真实类型，一个号称 EPUB 的东西如果是可执行格式，立刻删掉。第二，看体积是否合理，一本正常的中文文字类书籍，EPUB 通常在一到五兆之间，纯文本 PDF 按页数算每页几十千字节，如果一本两百页的书只有二十千字节，或者反过来有八百兆，都值得怀疑。第三，看来源页面的整体质量，一个正经做内容整理的页面，通常会有版本说明、更新记录、纠错渠道，而一个纯流量页面除了下载按钮什么都没有。

注意：任何要求你先安装客户端、插件或者“专用阅读器”才能拿到电子书的页面，直接关掉。绝大多数格式根本不需要额外软件才能下载。

2. 我筛这类站点的六个硬指标

说完分类，讲方法。我不太愿意在文章里直接甩一串网址，一是这类页面存活周期本来就不长，今天能用明天就没了；二是直接把名字写出来，等于把判断权交出去，读者拿到的是一个黑盒。更有用的做法是给你一套评估框架，你自己看到任何一个资源页面，五分钟之内能判断值不值得留。下面这六条是我实际在用的，按重要性排序。

2.1 元数据是否完整到可以核对

一个资源页面的元数据完整度，几乎等价于它的整理水平。我看的第一眼不是下载按钮，而是它有没有把这几项写清楚：书名（含副标题）、作者、译者、出版社、出版年、版次、ISBN、总页数、文件格式、文件大小。这几项里最关键的是版次和 ISBN，因为它们决定了你拿到的是哪一本书，而不是“一本叫这个名字的东西”。

为什么这么在意版次？因为教材和技术类书籍的版次差异是致命的。同一本讲数据结构的老书，第三版和第五版可能换掉了三分之一的案例，习题编号全变，你按着旧版的页码去对照别人的笔记，永远对不上。文学类稍微好一点，但删节版和全译本的区别也足够影响阅读体验。ISBN 则是唯一标识，有它你就能确认自己下的和别人讨论的是同一本书。

如果页面只写了个书名，连作者都没有，我的做法是直接跳过。不是歧视，是这类页面背后的整理者通常没有做过任何校对，你拿到的东西大概率是某处抓来的二手货，错漏无从追溯。

2.2 下载链路是直连还是层层中转

第二个判断点是路径长度。理想状态是：在资源页面上点一次，文件开始传输。现实中常见的是：点一下跳到一个“请稍候”页面，等十秒再点一下，跳到一个“验证你不是自动化程序”的页面，再点一下，跳到一个下载站，再点一下，最后给你一个限速的链接。每一层中转都是一个潜在的诱导点击位。

我的容忍上限是两次跳转。超过这个数，无论内容多好我都放弃，因为链路的复杂度直接反映了这个页面的商业模式——它不是在分享内容，是在经营流量。你可以自己做个测试：打开一个资源页面，数一数从进入页面到文件开始传输，你需要点击多少次，中间出现过多少个弹窗。这个数字超过三次，就说明这个站点的主要收入不来自内容本身。

还有个小细节：看下载链接的域名。如果资源页面的域名和文件下载的域名完全无关，且下载域名看起来像是随机字符拼的，那要留个心眼。正常的内容站点，文件通常放在自己的存储或者通用对象存储上。

2.3 文件格式的优先级排序

这一条属于经验性的取舍。同样是“有这本书”，不同格式对你的实际价值差别很大。我的一般排序是这样的：

这个排序背后的逻辑是可重排性优先于版式保真。因为绝大多数人的阅读场景是手机和墨水屏，屏幕尺寸不固定，能重排的格式意味着你在任何设备上都不用左右拖动。只有在需要精确引用页码、或者书里有大量需要保持相对位置的图表时，PDF 的优势才压过 EPUB。

顺带说一句，不要迷信“高清扫描版”这四个字。扫描件的清晰度取决于原始扫描的分辨率和后期处理，跟你屏幕多大没关系。我见过标着“超清”的文件，打开一看是每页宽度只有八百像素的图，放大两倍就糊成一片。判断方法很简单：打开文件，把页面放大到百分之二百，看正文笔画是否还是连续的。断续、发虚，就是分辨率不够。

2.4 版权声明与纠错通道的存在与否

这一条看起来跟“能不能下到书”无关，但它是判断站点性质的重要信号。一个认真做内容整理的地方，通常会有明确的说明：这些内容是什么来源、依据什么可以公开、如果你认为某处侵犯了你的权益可以通过什么方式联系处理。有这套东西，说明整理者想过合规问题，内容的来源大概率是站得住的。

反过来，一个页面通篇只有“海量资源免费下载”“全网最全”这类话术，没有任何来源说明，也没有任何联系方式，那它的内容是怎么来的就很值得怀疑。这类站点我一般不用，理由很实际：来源不明的文件，你无法判断它有没有被篡改过。正经渠道的数字文件，通常能对得上出版方的原始文件哈希；来路不明的文件，多一个字节你都不知道是什么。

2.5 检索能力：能不能按作者、按主题找

单本下载是低效的。真正有用的资源站点，检索维度要足够细：至少能按书名、作者、主题标签、语言、格式筛选。如果一个站点只能靠一个搜索框输入书名，说明它的后台根本没有结构化整理，你只能“知道书名才能找到书”，这在探索性阅读里毫无价值。

我判断一个站点是否值得长期留着，会做个小测试：搜一个比较冷门的主题词，比如某个细分领域的术语，看返回的结果是不是真的相关，还是把所有含这个字的书名都堆给你。相关性差，说明没有做过主题标引，后面你想按领域系统性地补课，会非常痛苦。

2.6 更新节奏与内容偏向

最后一条比较软，但很实用。观察一段时间，看这个来源更新的内容集中在哪些领域。有的偏人文经典，有的偏理工教材，有的专做某个语种。搞清楚它的偏向，你就能把它放进自己资源清单里的对应位置，而不是每次找书都从头筛一遍。我的做法是给每个来源打个标签，记清楚它擅长什么、不擅长什么，找书的时候先按标签定位，能省掉大量无效点击。

3. 文件落到硬盘上，真正花时间的环节才开始

大部分人把“下载完成”当成终点，其实那只是原材料入库。我粗略算过，一本质量一般的电子书，从下载到真正可读可用，平均还要花二十到四十分钟的处理时间。这个投入是完全值得的，因为处理过的书你才会去读，没处理过的书只会躺在下载文件夹里越堆越多，最后连自己有什么都不知道。这一节讲我固定会做的三件事。

3.1 命名与目录：让文件名自己说话

我见过最典型的失败案例，是一个文件夹里躺着document(3).pdf、新建文件夹 (2)、1.pdf这样的东西。这种状态持续三个月，你就彻底失去对这批资料的掌控了。我的命名规则很土但很有效：

{领域}/{作者} - {书名} ({版次或年份}) [{格式}].{扩展名}

举个具体的形态：认知科学/某作者 - 注意力机制导论 (第二版) [EPUB].epub。这个结构里每一项都有用途：领域用于分类浏览，作者和书名用于检索，版次用于区分同书不同版本，格式标签用于在不打开文件的情况下判断用什么设备读。

批量重命名我用一段很短的脚本，把下载目录里的文件按解析出的规则统一整理：

#!/usr/bin/env bash # 把 download/ 下所有 pdf/epub 移入 books/，文件名规范化为「作者 - 书名.扩展名」 # 依赖文件名里已含「作者 - 书名」结构；不匹配的留在原地待人工处理 set -euo pipefail SRC="./download" DST="./books" find "$SRC" -maxdepth 1 -type f \( -iname '*.pdf' -o -iname '*.epub' -o -iname '*.mobi' \) | while IFS= read -r f; do base="$(basename "$f")" name="${base%.*}" ext="${base##*.}" # 统一分隔符：下划线、全角破折号都换成半角 " - " norm="$(printf '%s' "$name" | sed -e 's/_/ /g' -e 's/—/ - /g' -e 's/ */ /g' -e 's/^ *//' -e 's/ *$//')" # 必须包含分隔符才认为是已结构化命名 if [[ "$norm" != *" - "* ]]; then echo "SKIP(未结构化): $base" continue fi target="$DST/$norm.$ext" if [[ -e "$target" ]]; then echo "SKIP(已存在): $target" continue fi mv -- "$f" "$target" echo "OK: $base -> $target" done

这段脚本的关键设计是“不匹配就跳过”。自动化的风险在于它会静默地把看不懂的东西塞到某个地方，你要的是“能处理的处理掉，不能处理的报出来”，而不是一个看起来很整齐但内容被搅乱的目录。任何批量操作都应该保留这个兜底逻辑。

3.2 元数据补全与去重

文件名规范了，但阅读器里的书架还是乱的，因为阅读器读的是文件内嵌的元数据，不是文件名。EPUB 的元数据可以很方便地写入，各类管理工具都支持批量编辑；PDF 麻烦一些，标题、作者这些字段有的能改，有的得靠外部数据库辅助。我的做法是分两步：先用文件名解析出作者和书名，批量写进文件内嵌字段；写不进去的（比如扫描版 PDF），就在管理工具里挂一条侧车记录，至少保证书架显示是可读的。

去重这件事比想象中重要。我的书库里同一本书最多出现过六个副本，来源不同、格式不同、质量不同。人工比对太累，我用两个层次判断：第一层按文件内容哈希，完全相同的直接删；第二层按“书名归一化 + 作者 + 页数或文件大小区间”做模糊匹配，命中的列出来人工过一遍。第二层之所以不能全自动，是因为同名不同书、同书不同版的情况太多，尤其是一些通用书名，误删的代价比留着大得多。

import hashlib from pathlib import Path def file_hash(p: Path, chunk=1 << 20) -> str: h = hashlib.sha256() with p.open("rb") as f: while True: b = f.read(chunk) if not b: break h.update(b) return h.hexdigest() def find_duplicates(root: str): seen = {} for p in Path(root).rglob("*"): if p.is_file() and p.suffix.lower() in {".epub", ".pdf", ".mobi", ".azw3"}: h = file_hash(p) seen.setdefault(h, []).append(p) return {h: ps for h, ps in seen.items() if len(ps) > 1}

哈希去重只解决“文件字节完全一致”的情况。真正麻烦的是同一本书的不同数字版本，体积差几兆、内容差几页，这种只能靠元数据核对，急不来。

3.3 扫描版的处理链路：先修图，再识别

扫描版 PDF 是最需要加工的一类。直接丢进文本识别工具，效果往往很差，因为原始扫描件通常带着这些问题：页面倾斜、四周大片黑边、纸张泛黄导致对比度低、装订处文字变形、跨页图表被切断。识别前的图像预处理做得好不好，直接决定最终文本的可用性。

我的固定顺序是：先纠偏（把倾斜的页面转正），再裁边（去掉扫描产生的黑框），然后做对比度增强和去噪，最后才是识别。这个顺序不能反，因为如果先识别再修图，识别错误已经固化在文本层里了，修图也救不回来。参数上我的经验值是：倾斜角度超过零点五度就必须纠正，小角度累积到整本书会让阅读产生明显的“晃动感”；裁边时留出五到十像素的余量，裁太狠会切掉页边注和页码。

识别之后一定要做质量抽检，不能全信。抽三处：随机一页的正文、一个含公式或表格的页面、以及一本书的目录页。目录页最容易出问题，因为大量点是特殊符号，识别成逗号句号是常态，而目录错了会直接影响导航。发现问题就整本重跑，改预处理参数而不是手工改几千行。

处理完的扫描版，我一般会生成一个带文本层的版本，同时保留原始扫描件。前者用于检索和引用，后者用于核对——文字识别在数字和单位上出错率不低，遇到可疑内容回到图像层看一眼，是最快的验证方式。

4. 从“存下来了”到“读进去了”还隔着一条流水线

讲完技术处理，聊点更实际的。我观察到一个现象：很多人下载电子书的数量和读完的数量之间，存在一个巨大的落差。这个落差不是因为懒，而是因为下载这个动作本身带来的满足感太强了——你会有一种“我已经拥有这份知识”的错觉。要打破这个错觉，得把下载和阅读之间的路径缩短到几乎没有摩擦，同时给阅读本身建立节奏。

4.1 设备分工：什么内容放在什么屏幕上

我的划分很粗暴但实用：需要反复查阅、图表密集、公式多的资料，放在大屏幕上看；以文字叙述为主、需要长时间沉浸的，放在墨水屏上；碎片时间用来读短篇和做回顾，用手机。这个分工的依据是屏幕特性——墨水屏没有刷新闪烁，长时间阅读眼睛负担小，但翻页慢、不适合来回跳转，正好匹配线性阅读；大屏幕适合需要放大、需要并排对照的场景。

这个分工带来一个直接后果：格式要跟着设备走。给墨水屏的书，必须转成可重排格式，PDF 在那个尺寸上就是灾难。转换的时候要注意几个细节：字体要嵌入或者至少指定一个通用字体族，否则在设备上可能变成默认的等宽字体，中文还会出现缺字；图片要适当降采样，墨水屏的灰度层次有限，原图再精细也显示不出来，反而拖慢翻页；目录层级要保留，重排之后自动生成的目录经常丢失层级关系，得手动检查。

4.2 笔记的三层结构：从划线到能用的东西

我以前的做法是马马虎虎地在书上划线，划完就完了，三个月后回头看，完全想不起来当时为什么划那句。后来改成三层结构，效果好很多。

第一层是划线，只标两类内容：一是让你产生“这和我原来的理解不一样”的句子，二是可以直接拿去用的具体方法、参数、步骤。纯粹写得漂亮的句子不划，因为漂亮不等于有用。

第二层是摘录加工，读完一章之后，把划线内容过一遍，用自己的话压缩成三到五条，写在单独的笔记文件里。这一步的关键是必须脱离原文表述，如果你只是复制粘贴，那等于没加工。我一般的做法是强迫自己写“这句话的意思是……”，写不出来就说明没读懂。

第三层是关联，给每条摘录挂上标签，标明它属于哪个主题、能用在我手头的哪个事情上。这一步决定了这些笔记未来会不会被用到。没有关联的笔记，等于埋在土里。

导出标注这件事，格式支持差别很大。EPUB 的标注导出相对成熟，大部分阅读器都能导出带位置信息的文本；PDF 的标注导出要看具体工具，有的只能导出图片形式的截图，那基本没法用。这也是我倾向 EPUB 的一个现实原因——不只是读着舒服，是读完之后的沉淀成本更低。

4.3 一个能坚持下来的每周节奏

我给自己的安排是这样的，供参考：每周固定一个时间段（我放在周末上午）做“入库处理”，把这一周下载的东西该归档的归档、该转格式的转格式、该识别的识别，不积压；每天固定二十到三十分钟的阅读时间，只读一本，不同时开多本；每读完一章做一次摘录加工；每读完一本写一段不超过五百字的总结，说清楚这本书改变了我哪个认知或者给了我哪个具体方法。

这个节奏里最关键的是“只读一本”。同时开五六本书是阅读效率的最大杀手，因为每次切换都要重新建立上下文，而上下文重建的成本远比想象的高。我试过同时读三本，结果是三本都停在第三章。

提示：给自己设一个上限——未处理的下载文件不超过二十个。到这个数就先停下来做入库，不再下新的。这条规则救过我很多次，否则下载文件夹会变成一个只进不出的黑洞。

5. 那几个反复出现的坑，以及我是怎么排查的

最后这部分是我这些年踩坑的记录，都是重复出现过多次的问题，写下来是因为它们的排查思路可以复用。遇到问题不要急着换来源，先把问题定位清楚，很多时候换来源并不能解决，因为问题出在处理环节而不是资源本身。

5.1 号称高清，打开却是一堆图片

最典型的一次：下了一本四百多页的技术书，体积一百多兆，看体积应该是扫描版，结果打开发现每一页的文字都是图片，完全无法选中、无法搜索，连目录都是图片。这种情况的本质是文件里没有文本层，整本书就是图片的容器。

排查的路径是这样的：先确认是“没有文本层”还是“文本层损坏”。方法很简单，在阅读器里尝试选中一段正文，能选中并且复制出来的是正常字符，说明有文本层；选中之后是空白或者复制出来是乱码，说明文本层有问题或者编码不对；完全无法选中，就是纯图片。

确认是纯图片之后，处理方案就是走识别流程。这里有个参数上的取舍：识别的语言模型要选对，中英文混排的技术书，如果只用中文模型，英文术语和代码片段会识别得一塌糊涂，反之亦然。我的做法是优先选支持多语言混合的模型，如果只能选一个，看这本书的主要语言，然后用第二章讲的抽检方法重点检查另一语言的部分。

还有一个附带问题：图片型 PDF 的页面尺寸往往不统一，有的页大有的页小，识别出来的文本会出现奇怪的断行。解决办法是在识别前统一页面尺寸，或者识别后按段落重新拼接——后者更麻烦，我一般选前者。

5.2 同一本书五个版本，读错了版本白费一周

这个坑我踩得最狠。有次读一本教材，跟着做练习，发现第三章的习题和答案对不上，折腾了半天以为是自己的理解有问题，最后才发现我手上是第三版，参考答案是第五版的，习题编号整体错位。一周时间就这么没了。

根因是版本识别没做。现在我下载任何一本书，第一件事是核对三项：出版年、版次、总页数。这三项里有两项对不上，就说明版本不同。如果这本书我要用来跟着做练习或者引用，我会额外确认 ISBN，因为 ISBN 是唯一标识，同一年同一出版社可能出多个印次，内容有细微修订但版次号不变。

排查版本问题的具体做法：打开文件的版权页（通常在正文前面的几页，或者最后一页），核对出版信息；如果文件没有版权页，看正文里引用的年份和参考文献的最晚年份，能大致定位版本区间；再不行就比对目录结构，不同版次的章节划分通常有调整。

还有一种更隐蔽的情况：删节版冒充全本。某些经典作品的特定版本会删掉部分章节或者段落，但书名页看不出任何提示。判断方法是核对总字数和章节数，和已知的完整版本对比。文学类作品尤其要注意，我现在的习惯是先查清楚这本书的完整版有多少章，再打开文件看目录，章数对得上的才留下。

5.3 批量下载把硬盘塞满，还触发了限流

这个属于操作层面的教训。有段时间我贪心，写了个脚本批量抓取某个主题下的所有资源，结果一夜之间下了八百多本，硬盘直接告急，而且因为请求频率太高，被来源方限制了访问，后面两周都用不了。

现在的做法克制得多：脚本必须带三个约束——并发数不超过二、单次任务总量上限、请求间隔随机化。这三个参数的意义分别是：并发低是为了不给对方服务器造成压力，也是为了避免触发风控；总量上限是强迫自己分批处理，下一批之前先把上一批消化掉；间隔随机化是因为固定间隔的请求模式太容易被识别成自动化行为。

# 带节流的批量下载骨架：串行、限速、失败重试、断点续传 while IFS= read -r url; do # 已下载且大小大于 0 的跳过，实现断点续传的效果 out="download/$(basename "$url")" if [[ -s "$out" ]]; then echo "SKIP: $out" continue fi # 限速 200KB/s，失败重试 3 次，超时 30 秒 curl -L --fail \ --limit-rate 200k \ --retry 3 --retry-delay 5 \ --connect-timeout 30 \ -o "$out" "$url" || echo "FAIL: $url" # 随机间隔 3~8 秒，避免规律性请求 sleep $(( RANDOM % 6 + 3 )) done < urls.txt

磁盘管理上还有个容易忽略的点：临时文件的位置。格式转换和 OCR 过程会产生大量中间文件，一本扫描书的中间图像可能有几个吉字节。如果临时目录和系统盘在同一个分区，跑到一半提示空间不足是很常见的。我的做法是把临时目录显式指向一个大容量分区，处理完立刻清理。

5.4 文件名乱码在跨设备同步时才暴露

这个问题平时看不出来，一旦同步到别的设备就麻烦了。原因是文件名的字符编码不一致——早年在某些系统上创建的文件名用的是本地编码，同步到只认另一种编码的设备上，中文全部变成方块或者问号。更麻烦的是，有些同步工具遇到无法解析的文件名会直接跳过，你以为是同步完成了，实际上少了一批文件。

排查方法：在源目录里列出所有文件名，看有没有出现替换字符或者异常符号。批量修复的思路是先把文件名转成统一的编码，再重新写入。如果文件数量多，先小范围试十个，确认转换之后内容没有损坏（改名不影响内容，但脚本写错可能误删），再全量执行。

预防比修复省事：从现在开始，所有新文件都用统一的命名规则和统一的编码写入，脚本里显式指定编码，不依赖系统默认。这条规则看起来琐碎，但它是唯一能避免这个问题反复出现的办法。

5.5 处理链路的顺序问题：格式转换和识别的先后

最后一个坑比较技术性，但踩的人不少。有人拿到扫描版 PDF，想转成 EPUB，于是直接跑转换，结果转出来的 EPUB 打开是一堆图片切片，文字依然不可选。原因是格式转换工具对纯图片 PDF 无能为力，它只能搬运图片，不能变出文本。

正确的顺序是：先识别出文本，再考虑重排。识别之后你得到的是带文本层的 PDF 或者纯文本，前者保留了版式，后者更轻便但丢了排版。要到 EPUB 还需要一步结构化：把纯文本按章节切分、给标题分级、处理脚注和图表引用。这一步自动化程度有限，我的经验是留一半人工，尤其是技术类书籍，公式和代码块必须手工核对，自动转换几乎一定会把它们搞乱。

反过来的操作——EPUB 转 PDF——要简单得多，但要注意一个取舍：转换相当于把可重排的内容固化成一个固定版式，之后在别的设备上就没法自适应了。所以只在你确定要在固定尺寸的设备上阅读、并且需要精确页码时才做这个转换，否则保留 EPUB 更灵活。

我自己的习惯是，一本书只保留一个“主格式”，其余格式在需要时临时生成，用完就删。主格式的选择标准就是前面那个表：文字书用 EPUB，图表书用 PDF，绝版扫描件保留原始 PDF 加一份识别后的文本。这样库存不会膨胀，也不会出现“哪个才是最新版”的困扰。

说到底，找免费电子书这件事，真正稀缺的从来不是链接，而是判断力和处理能力。链接三个月就失效一批，但“怎么看元数据”“怎么核对版本”“怎么把扫描件变成能检索的文本”这些能力是不会过期的。我现在的资源清单比三年前短了很多，只剩五个来源，但每一本下载下来的东西都能在半小时内进入可读状态，读完的东西也能在下一次需要时被检索到。这个转化率，比收藏夹里躺着几百个网址实在得多。