Project Gutenberg​

Project Gutenberg​是什么

一个数字图书馆项目，主打公版电子书的收录与分发。

运作方式不复杂。志愿者把纸质书扫描、校对、转成纯文本或HTML，再上传到服务器。读者端拿到的就是可全文检索的电子文件。

藏书量超过7万册。语种以英语为主，另有法语、德语、芬兰语、中文等。文件格式偏基础：TXT、EPUB、HTML、Kindle格式都有。

有一点需要注意，收录范围限定在版权过期或获得授权的内容。新书不在其中。

Project Gutenberg​主要功能

• 全文检索：按书名、作者、关键词查库，返回匹配的电子书条目列表，支持布尔组合查询，单次结果按相关度排序。
• 多格式下载：同一本书提供TXT、EPUB、HTML、MOBI等格式，EPUB保留章节结构，TXT为纯文本无排版，单文件一般小于5MB。
• 元数据浏览：每本书附作者、出版年、语言、主题分类等字段，可据此筛选，字段以MARC精简版存储。
• 在线阅读器：浏览器内直接翻页阅读HTML版本，不依赖插件，支持章节跳转，移动端自动重排。
• 镜像与离线分发：提供完整目录的镜像下载，含约7万条记录的索引文件，镜像站可自行部署同步。
• 纯文本校对机制：分布式校对流程，志愿者分轮次核对扫描件与文本，降低OCR错误率。

实际使用时会有差异，部分早期录入的文本排版较粗糙。

Project Gutenberg​使用要求

格式兼容方面，TXT无门槛，任何文本编辑器可开。EPUB需要阅读器软件，比如Calibre、Apple Books。MOBI对应旧款Kindle。

网络层面，主站可直连，部分地区访问镜像站更稳。下载走HTTP，不强制加密。

文件体积偏小。单本纯文本通常几百KB到几MB。批量抓取会触发限流。

版权判定由上传者负责。使用者需自行确认所在地区的公版规则。

Project Gutenberg​核心优势

零成本全文获取。7万册以上公版书，无付费墙、无借阅限制，下载后本地留存。

格式足够原始。纯文本版本可直接喂给脚本做词频统计、文本挖掘，不用先解析复杂排版。

这里有个细节，元数据字段统一，批量拉取书目做数据集比较省事。

Project Gutenberg​如何使用

检索入口在首页搜索框。输入关键词后按语言、格式过滤。

选定书目进入详情页。页面列出可下载格式，点对应链接直接存盘。

要读不想下，点“Read online”走HTML阅读器。翻页用章节导航。

批量用途走镜像。下载索引文件后本地建库，再按ID拼下载链接。

Project Gutenberg​同类竞品对比

Project Gutenberg​应用场景

文本挖掘。拿纯文本语料跑词频、句法分析、风格统计。

语言学习。对照多语种公版书做阅读材料。

离线阅读。下载EPUB塞进阅读器，无网环境可用。

数据集构建。按作者或年代批量抓取，做训练语料。

Project Gutenberg​适用人群

做NLP语料预处理的研究者。需要无版权文本的写作者。想离线囤书的重度阅读者。搭建镜像做本地数字库的技术人员。

首页截图