PDF词典的OCR是怎么进行的呢？

Charlieqiu

; M) {' @. w4 k6 N% g& d; O' J我对这个技术问题感兴趣，有没有可行性高的ocr步骤将PDF词典转换成文字版？1. 比如现在我只能想到用Finereader14先识别，但识别后是先导出再校对，还是在Finereader内校对后再导出？
2. 用Finereader14识别后导出的格式应该是什么？因为要保存标签，所以用html格式，但这标签太乱，根本不能用啊
3. 以及其他具体的ocr及校对的步骤
; u! ~! p9 c% O/ [  S; ~我现在是在慢慢学习技术中，就将制作词典当实例练习，慢慢熟练起来
' \, V5 A/ A6 `. Q0 w
1 O. X. V4 p& L" h  x4 ]' E4 j

klwo2

我是先导出再校对
: b' p8 U5 w* G  o' z
建议你先说说，想怎么做「PDF词典」，是做图片版嘛？做图片版的话，OCR原书自带的索引就行了

Charlieqiu

klwo2 发表于 2019-9-3 21:03
( r5 d  B4 |5 Z: }我是先导出再校对
( x/ y  m7 V5 P, [+ i
+ l( L; I; }- f建议你先说说，想怎么做「PDF词典」，是做图片版嘛？做图片版的话，OCR原书自带的索引就 ...

0 V2 ?1 W& j7 k6 t& a. S不是哦，是要ocr成文字版的mdx，想要看看转换的障碍最小有多大

Charlieqiu

现在这样ocr转换成文本太麻烦，看来没有比较方便的方法，目前如果没有好的文本数据源，图片词典还是唯一选择，可惜图片格式没有能像PDF一样能搜索文字，不然更加方便一些

klwo2

Charlieqiu 发表于 2019-9-4 00:48
不是哦，是要ocr成文字版的mdx，想要看看转换的障碍最小有多大

9 ?& r  q: i; L' ?ocr成文字版的mdx不是不可以，不过有限制：
9 M( x0 `' V2 f6 Y7 C' a% H
! B1 e: i1 T8 @& g9 E% ^( _) m1. 最好不是专门的汉语词典，不然生僻字很头疼
2. 最好只有英语字母，没有特殊符号，不然校对很头疼
( G1 w( p2 `* [7 K3. 图片越清晰越好
. s' ]9 y1 m4 r  d2 }$ j" g# J
这么看下来，就没有太多词典了
, `4 w, M' ?  Q2 d