Word and phrase origins[2008版, 高清, 可复制]

字典粉丝

请各位看看这个http://www.baidu.com/link?url=YB ... igasAC20NXFW8hNMJda, 看看能否转换成mdx

Oeasy

dingyang 发表于 2013-9-27 23:06
PDF很难转成mdx的

{:5_227:}也不难，就是不管高手、低手，估计最低也得耗上两百个小时，才能把楼主链接里的pdf，做成能见人的mdx。
+ m% F/ ]& ^" @1 @) o8 O: G文本版的pdf，跟扫描版的pdf相比，也就省了OCR一步，距离能直接build为mdx的txt还有十万八千里呢。
9 {: q/ e2 X; M7 T$ I3 F
$ M& T# E+ p' i* t! eSelf-help is better than help from others; God helps those that help themselves.自己动手、丰衣足食啊。谁感兴趣谁动手啊。
提供几个思路
! C6 E* @+ }( c- L$ {1. pdf转html，这样pdf里词头的加粗可能得以保留，但是会有很多问题，因为pdf页面里内容是两栏，转成html后内容会出现错位的情况，最后让人心力交瘁，还不如一条一条复制粘贴。
- V# u4 c7 @7 E, q: y2. pdf转word，pdf的两栏可能就变成文本框了，这样操作起来稍微简单些，但是最后说不定会发现，还是不如一条一条复制粘贴。
6 N- v% L( ]0 x' S6 M. B* t未实际操作，供参考。

mikeee

. h) e9 p( Q9 s% Z# A$ A有一个办法应该可行：先用 Abbyy Finereader 转成 docx，docx再转成 htm。

我机器里没装Finereader，用在线 https://finereaderonline.com 做了十页（每天在线只能OCR十页），效果不错：htm里的页头自动消失。两列变成了单列，粗体保留，好像原pdf换行时的 hyphen 都去掉了，但原pdf里跨页的段落好像没有合并。
' M' @' b$ O" c1 u
+ W/ ^- i  d, o6 {  \Chrome Devtools 大致看了看：css selector： p.Bodytext21 可定位所有的释义
1 Q* O% p6 v. h/ g' q, _5 y$ ?8 ~css selector：p.Bodytext21>span.Bodytext2Bold 可定位释义里的粗体

& m3 R* J! u% O4 T' P贴不了图，发个 docx 和 htm 文件（仅10页） 百度盘链接: https://pan.baidu.com/s/15Qc4tQeWcePy7AhTJLiJXQ 提取码: encg
( x1 [" ^/ [. C6 c: b
0 n% {8 F* Q1 C% I+ ~折腾了一阵，这个 python3 码处理上面说的 htm 得到的东西大致可以做成 mdx

1. '''word and phrase orgins test
   
2. '''
   8 ~" \+ M( F# c6 a5 t% U- {
3. from pyquery import PyQuery as pq
   
4. 
   
5. file = r'WordandPhraseOrigins.htm'
   9 ]: X7 _# d  I. c8 {4 j9 k8 K, {5 q
6. try:
   9 M1 e/ u* y7 W3 u" C( O
7.     html = open(file, 'rt', encoding='utf8').read()
   9 D. N8 {2 R" M: M4 r5 `
8. except Exception as exc:
   
9.     print('error: {}. Trying gb2312...'.format(exc))
   
10.     try:
    8 z8 S/ B, C. Z0 |+ T2 z/ m2 O
11.         html = open(file, 'rt', encoding='gb2312').read()
    
12.         print('Looks good')
    
13.     except Exception as exc:
    
14.         SystemExit('error: {}. Giving up...'.format(exc))
    ) _. @8 T4 \+ l( a. K0 |
15. doc = pq(html)
    
16. 
    ' [2 W. H# R9 R. z4 ?3 F' M
17. css_text = 'p.Bodytext21'
    - b" F# x  l* W
18. css_bold = 'p.Bodytext21>span.Bodytext2Bold'
    2 E/ q( ]- V: {/ k- a
19. 
    
20. items = doc(css_text)
    
21. 
    
22. text = doc(css_text).map(lambda idx, elm: pq(elm)(
    
23.     'span.Bodytext2Bold').text() + ('(hw)\n' if pq(elm)('span.Bodytext2Bold').text() else '\n') + pq(elm)('span.Bodytext20').text())
    6 C. c4 y. s& _: E9 O. ^# v/ i& d) ~4 N2 |
24. print('\n\n'.join(text[:60]))
    

复制代码

上面码的输出大致这个样子：

。。。
" V* D; w. @2 x! gA-Rod.(hw)
: S6 B; V6 L/ s, F# hPeople who have little or no knowledge of baseball might have trouble with these initials. They are short for Alex Rodriguez, the famous Yankee baseball star.
1 n' v/ U( v! l, o2 E: x8 v' T0 ]
around Cape Horn.(hw)
, I" V* p5 q' u% \0 ~An expression once used in whaling communities to mean “being away on a whaling voyage.” One old poem went:
- P9 S$ z& \% ]& P, W
3 V3 O- D$ e7 b8 d% s: d1 G- p
/ B  F# y$ _) N, {“I’ll tell your father, boys,” I cried To lads at play upon my lawn.
3 ?  S. A! m5 }, S1 q) m

. F7 f" d* k/ U' ~/ W/ PThey chorused back, “You’ll have to go Around Cape Horn.”

- ?2 q) u2 ]9 p/ laround the horn.(hw)
In the days of the tall ships any sailor who had sailed around Cape Horn was entitled to spit to windward; otherwise, it was a serious infraction of nautical rules of conduct. Thus, the permissible practice of spitting to windward was called Cape Horn isn’t so named because it is shaped like a horn. Captain Schouten, the Dutch navigator who first rounded it in 1616, named it after Hoorn, his birthplace in northern Holland.

9 ~% U  W: L5 B. v7 Oarrant thief; knight errant.(hw)
was originally just a variation of nomadic or vagabond, the word best known in a knight who roamed the country performing good deeds. But from its persistent use in expressions such as an a thief who roamed the countryside holding up victims, came to mean thorough, downright, or out-
。。。

顺便安利一下 pyquery，是不是完爆正则、bs4、lxml？
; g& v3 m  q; Z$ o& ]6 V8 Z

' M( K7 z3 @( I$ P

dingyang

PDF很难转成mdx的

shbf

pdf转 txt,格式有一定规律， 编程处理后可以做成mdict词库，我正在编程处理……

yuwb

shbf 发表于 2013-9-29 17:38
pdf转 txt,格式有一定规律， 编程处理后可以做成mdict词库，我正在编程处理……

) i! x7 n0 t1 C. x1 A7 q/ ]; H期待新作品，辛苦了。

字典粉丝

shbf 发表于 2013-9-29 17:38
& x) w8 {2 _" ~3 N( V3 Rpdf转 txt,格式有一定规律， 编程处理后可以做成mdict词库，我正在编程处理……

' \3 e0 Z% O$ N# P. Q3 J/ Y8 C期待新作品，辛苦了。Many thanks! {:5_213:}

shbf

词典文本已导出并处理……基本无误，两栏问题完美解决。

. v9 _: P, r& O2 i, f) w' d& i3 ]4 I主要遗留一些小缺点，可以自行纠正，1. 部分.，）后面少一个空格。2.部分年份数字和英文单词之间少一个空格。这两个问题很好解决的。

" f" G# [4 W; S; k5 |/ K当然要做成mdx，还需把关键词标记出来，我用｛｝标记到字母C, 剩下的需要对照pdf，工作量有点大，不做了。发上源文本，请有时间的网友处理吧！
! p& ^: R1 v& nhttp://pan.baidu.com/share/link?shareid=1686563253&uk=3759036089

uglywind

感谢 shbf 兄的辛勤工作。

mikeee

做成了 mdx 毛坯版，不完美，但可以用了，会找时间完善一下。15米，相当于免费的吧。
下载mdx：https://www.pdawiki.com/forum/fo ... p;extra=#pid1035923

欢迎制作校对精美版，可免费提供从 pdf 到 mdx 各环节的资料（文本，python程序等等）。详细步骤及相关资料可参考此贴 https://www.pdawiki.com/forum/fo ... &extra=page%3D1 。