【完成】pdf 转 mdx：Dictionary of Cliches (Facts on File)

mikeee

1 l( x/ c: X( r- u4 U; v4 o
再来用 PDF 做个 mdx，Dictionary of Cliches的pdf文件论坛里可以搜到。大致看了一下，估计两小时的工作量——最后用了不下10小时。步骤：

• 上传pdf到 https://pdftohtml.net, 几分钟后下载转成了 html 的文件。
• 用 Chrome 打开解压后得到的 html 文件， F12调出 devtools。稍微研究一下后即可得知，div.cls_025>span.cls_025,div.cls_025>span.cls_023,div.cls_023 的 css selector 可以完美定位所需的内容。div.cls_025>span.cls_025 定位的是词头, div.cls_025>span.cls_023,div.cls_023定位词义。几行python搞定。（用 bs4 或lxml应该也是可以的， 其实pq是基于 lxml的etree元素。用node的cheerio的话基本思想差不多，码可能更简洁。用正则的话当然就用不了css selectors，可能会繁琐一点。）
  1. from pyquery import PyQuery as pq
     
  2. 
     ! f9 ^; c1 F$ O+ ^; q
  3. file = r'C:\Users\xyz\Downloads\Dictionary of Cliches (Facts on File)\b67f0a6e-1e61-11e9-8f58-0cc47a792c0a_id_b67f0a6e-1e61-11e9-8f58-0cc47a792c0a.html'
     4 \1 o& |, \% e0 f
  4. doc = pq(open(file, encoding='utf8').read())
     
  5. 
     4 F$ h; F; `* T) ^) s
  6. hw_css = 'div.cls_025>span.cls_025'
     : X$ v& \& z% i! I* @; ]
  7. ctx0_css = 'div.cls_025>span.cls_023'
     0 _: k+ o( U) f) ]0 u/ Z+ p
  8. ctx0a_css = 'div.cls_025>span.cls_028'
     
  9. ctx0b_css = 'div.cls_028'  # capital, references
     
  10. ctx0c_css = 'div.cls_027'  # italics, book names
      
  11. ctx1_css = 'div.cls_023'
      
  12. hw_ctx_css = f'{hw_css},{ctx0_css},{ctx0a_css},{ctx0b_css},{ctx0c_css},{ctx1_css}'
      6 Y7 f. n* R; t* k" x
  13. 
      
  14. # css selector 到最后比我预期的复杂些， 所以用 abbyy finereader 可能比用 pdftohtml.net 简单些。
      , D8 i) V) J$ U. s1 ^- W4 g' |
  15. items = doc(hw_ctx_css)

  复制代码
  我们要的东西在 items 里。稍微处理一下 items 得到 由(词头，词义)组成的 entries
  1. entries = []
     
  2. hw = ''
     
  3. ctx = ''
     6 t& d( \, L! j( C: V4 q* K
  4. 
     + B$ r# _% \+ Q8 S" H
  5. upper_b = 50
     " T$ T# J) F% S" s. B  K
  6. for elm in items[: upper_b]:
     
  7.     tmp = pq(elm)
     ) I: a1 Z+ |/ B7 q& t( ^/ o& L
  8.     if tmp.attr('class') == 'cls_025':
     & I9 J& u) D1 h* F
  9. 
     $ ]& r2 A, z3 S( [  r
  10.         entries += [(hw, ctx)]
      * {, @. Y# _. L  G5 I3 e
  11. 
      8 s6 \0 e$ S3 U+ i% J: p
  12.         hw = tmp.text()
      
  13.         ctx = ''
      $ ?6 @) M% g. e% D
  14.     else:
      ) U- X+ \4 k1 Z0 M. D
  15.         ctx += f' {tmp.text()}'
      
  16. 
      
  17. # collect the last batch
      
  18. entries += [(hw, ctx)]
      + n, u- n. G. I% U% E
  19. 
      
  20. def proc_func(ctx):
      
  21.     ctx = ctx.strip()
      
  22. 
      6 C3 A( i7 |- V: f9 J: p: O( m
  23.     # insert a space after .: [a-z]\.)([^\s])
      4 h- d( @, v$ t. \
  24.     ctx = re.sub(r'([a-z]\.)([^\s])', r'\1 \2', ctx)
      
  25. 
      8 b, m8 d3 `5 @3 @( U  D# x
  26.     # remove spaces
      
  27.     ctx = re.sub(r'\s\s+', r' ', ctx)
      1 \' d: k$ A1 n+ n# X
  28.     return ctx
      
  29. 
      
  30. entries = [(elm[0], proc_func(elm[1])) for elm in entries]
      ) G/ y, x$ m. }/ |# B' E
  31. 
      + `" ]1 J; H7 N5 i$ i3 v
  32. print(entries[:3])

  复制代码
  输出为
  1. [('', '—Christine Ammer —Christine Ammer'), ('about face, to do an',  'To reverse a decision or change one’s opinion. The term comes from the American military command to turn 180 degrees at attention, dating from the mid-nineteenth century, and by 1900 was being used figuratively. A more recent colloquial usage is to do a 180, but it has not yet reached cliché status.'), ('about the size of it',  'An approximately accurate version of a situation, event, or circumstance. It generally is used as a summing up: “That’s about the size of it. ”')]

  复制代码
  基本大功告成了。其实后面还是有很多事要做。
• 转成（mdxbuilder可用的） mdxhtml 格式（其实也可以直接用writemdict直接做成 mdx）。pdftohtml.net 转的html含位置信息，要抽取词头和释义以及参考链接还是要费点周折。折腾了几个晚上。结果是上传的三个py文件（mapping_dict.py用于处理一些特殊的链接）。运行 gen_mdicthtml.py 即可生成 dict_of_cliches_mdict.html。用 mdxbuilder 处理 dict_of_cliches_mdict 即可得到 mdx 和 mdd。所有的 py、html及 css、封面 png 打成包（见附件），python码比较乱，没有整理，但Py3.6下是可以运行的，有兴趣的网友可以折腾一下。
• Mdxbuilder 处理 dict_of_cliches_mdict.html 生成 mdx、mdd。（见附件）词头做了分拆，有交叉索引链接。见下图。
• 改进：找时间再做个可以查独立单词或词组的详细索引，进一步提高字典的可用性。
• 结语：如果 pdf 文件的内容是英文的并且可以拷出来，用 pdftohtml.net 转 html 再用 css selector 可以非常方便的自动处理词头和释义。但也有不少坑——漏掉一类  css selector就会导致内容的遗失。
  

8 u" U# P/ C% a6 u8 Y, X9 g) u

jonah_w

厉害了，要跟楼主学习

潇潇天

很厉害，就是看不懂

lyc1060026905

厉害厉害，支持楼主！

saluttous

厉害，根本看不懂

mikeee

做完了，没有人工校对，免费下载 mdx。欢迎交流。

zakzak

感谢楼主分享====

haoduodianying

楼主厉害啊 膜拜以下  

mrfu

膜拜楼主
( B+ n5 X7 ]' h* @) H# d/ u
& e: \& b# L0 s' B7 s) `! \