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
, i* k2 P% t, w7 z- }( ^# MPDF很难转成mdx的

" k4 G, R( U) j7 ]$ B, }1 O: b{: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。
4 L- C5 K! f2 }$ l9 E- t0 z. c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。
* L) Q2 ]& ^+ ^( `
& k6 x' L& U: a9 ^6 f4 JSelf-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。
3 w' @5 M& R: W0 i' F' I. u, Q提供几个思路
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。
! [) J# w8 c8 ?/ S2. 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。
* a% ~# l$ G% t3 B未实际操作，供参考。

mikeee

8 \% I" O* e- @1 J
+ ]6 d3 ^# e2 Q/ {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。
& f; D) R& j6 v3 H2 b; T9 K
) L! `2 B& {# J* \Chrome Devtools 大致看了看：css selector： p.Bodytext21 可定位所有的释义
css selector：p.Bodytext21>span.Bodytext2Bold 可定位释义里的粗体
4 c3 L, C; M3 H$ ~+ U0 H. |6 ^
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
4 f! U% d% e" S  Z# j: P& _
9 p4 W: e2 {/ K8 m* a9 d& F2 w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
   * k7 O, k: X! v6 d: k6 N$ Z
2. '''
   9 S( Q  H. s% Z, n7 I5 K: C- \5 y  i
3. from pyquery import PyQuery as pq
   3 v5 a! {# c9 r* R7 b" Y
4. 
   , R; Q" P' r6 ~5 [6 ]$ Q( ^
5. file = r'WordandPhraseOrigins.htm'
     Z; n7 i. Z5 `1 C2 T" s8 K- ~) p
6. try:
   
7.     html = open(file, 'rt', encoding='utf8').read()
   
8. except Exception as exc:
   8 s, U& f# ?, x6 f9 X$ n7 ~
9.     print('error: {}. Trying gb2312...'.format(exc))
   
10.     try:
    
11.         html = open(file, 'rt', encoding='gb2312').read()
    
12.         print('Looks good')
    
13.     except Exception as exc:
      c6 a, K- W, G  f- l
14.         SystemExit('error: {}. Giving up...'.format(exc))
    
15. doc = pq(html)
    
16. 
    ( `# U" @! i6 P
17. css_text = 'p.Bodytext21'
    ! I& m& d  n: {( z9 |% ?
18. css_bold = 'p.Bodytext21>span.Bodytext2Bold'
    * S- e7 {; N, }! ^
19. 
    
20. items = doc(css_text)
    & U2 e# g3 [) S; o( z# c
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())
    
24. print('\n\n'.join(text[:60]))
    4 N4 d( `+ d( y8 T, C

复制代码

上面码的输出大致这个样子：

。。。
A-Rod.(hw)
People 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.
: {* {3 z. V+ B( W1 U5 d
around Cape Horn.(hw)
An expression once used in whaling communities to mean “being away on a whaling voyage.” One old poem went:
# v* Q7 r# B2 p5 I( K. Q. x
3 u$ u* c. j" t
“I’ll tell your father, boys,” I cried To lads at play upon my lawn.
! s/ P9 d/ Y5 Q* t0 j) @

; |- |! @- P; {4 T! |" n/ d/ WThey chorused back, “You’ll have to go Around Cape Horn.”
6 |& H$ F/ I. Z
4 W$ ~" J& a* A% Baround 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.

arrant thief; knight errant.(hw)
  `6 M; l& m4 j. Kwas 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-
。。。

8 E: n# Q- h$ o3 R% C- f% h9 k

顺便安利一下 pyquery，是不是完爆正则、bs4、lxml？
/ u- J+ n2 e0 n: g. d
. J8 T* O6 E: ]- l1 m

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……

3 X8 [# G1 G3 V: w, w; I- E期待新作品，辛苦了。

字典粉丝

shbf 发表于 2013-9-29 17:38
! r, J. P% H+ a* z9 t- y. bpdf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……

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。
' t; ?$ \/ N# e; E- h
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。

5 C$ n+ Z5 v9 j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！
, R8 }' M* w. H6 y9 [1 b! hhttp://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。
/ F4 k0 u3 p. r. c3 `) G下载mdx：https://www.pdawiki.com/forum/fo ... p;extra=#pid1035923
) D% O) M5 n/ q! O( i' o* C
. [2 V  n5 N+ W! Q: h( |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 。