[冷知识]扫描版PDF做不了mdx

Oeasy

; o! X) @* N3 r! R, P& A3 w) e

3 s! N3 k3 _4 F隔行如隔山。很多新接触词典的朋友，对于一些“业内”、“行内”的常识不是很熟悉，这是可以理解的，我有时间就简单写几句，科普一下。
不是很严谨，欢迎补充。
9 t+ n+ J3 |8 l' p! i. Q  c* P
/ F, Z- n6 j& g( Z; e4 d! E( @[冷知识]扫描版PDF做不了mdx
-> [冷知识]扫描版PDF几乎做不了文字mdx
* y! d* f: Y/ }; x& X7 p
经常有朋友公开发帖或者私下来信，“我有某词典PDF，还是高清的噢，你能帮我做成mdx吗”。
eg. [讨论] 提供OCR的日语国语大辞典第二版PDF，有人愿意做MDX文件吗  http://bbs.gxsd.com.cn/forum.php?mod=viewthread&tid=991790

) K  K# G% }1 a1 O7 V% u- 首先，你能公开找到的 PDF ，其他人也能找到，说不定你那个 PDF 还是他分享出去的呢。当然班门弄斧、野人献曝的事情，我也经常干的。
- 其次，扫描版的 PDF ，是几乎做不了文字版的 mdx 的。OCR效果差，校对耗费时间太多。
. C" ~* T0 n4 b9 Z+ E! n3 g! W6 L- 再则，要做图片版的话，耗费时间也很多，我自己是不做了。
$ q0 A1 u( B. A) N4 l- 加一句，就算是文字版的 PDF ，做 mdx 也不容易。

[冷知识]mdx 词典不是人工录入或OCR的 https://pdawiki.com/forum/thread-20643-1-1.html
% @5 G$ C3 _. ^+ A; u' ]! C6 e
& ]  I1 Q& R: c: G) {% _5 Z

孤影

可以做成图片词典一页几分钟（5-X 视难度而定）
新人们如果找人帮忙，就先请看看自己的付出的值不值别人为你进行上百工时的劳动。。

greatszh

就事儿说事儿吧，计算机的强项是处理一些简单重复性的工作，如果pdf的格式是图片扫描的，目前的计算机处理起来确实有难度，但如果是基于文本的pdf，应该可以尝试。所谓的字典无非就是序言，正文，词头，解释。利用开源的nltk，完全可以理论上实现这一个过程。基于自然语言的模块很多，例如断句分词啥的都是基本的功能，能解析pdf格式的工具包也有的是，问题是把解析出来的东西转换成mdx可以认可的格式。目前nltk不能接受pdf格式的输入只能接受txt格式的，可以利用nltk扫描没个词头，句子段落啥的。如果该词头随后的一个或者几个句子都出现了该词头的相似词，肯定这个一群相似词所组成的句子是该词头的解释，如果该解释随后生成的nltk能识别的断句中又出现了好几个该词头的句子，肯定是该词头的例句。可能具体的文本类型的格式排版啥的有区别，但仅仅是个大概的思路，折腾计算机总比折腾人工强。

chigre3

经常有朋友公开发帖或者私下来信，“我有某词典PDF，还是高清的噢，你能帮我做成mdx吗”。.
--------------------------
针对的就是这个事情。