COD9完美mdx化的一些个人探索、启发与实践

zhuode · 发表于 2019-1-11 19:04:29

本帖最后由 zhuode 于 2019-1-11 19:18 编辑

Saxons 发表于 2019-1-11 16:148 \& c7 B9 e) }
做了一个测试，复刻难度太大，要手工的地方多如毛牛，只能对着电子词典改。
' v7 M t# z5 ]) K' m4 l关键是细节方面难以全面复刻。 ...

词源部分的斜体字能否保留格式(例:aardvark中的aarde、vark)
最低要求是各种元素要有识别度,不会造成理解障碍或引起歧义,排版要基本过关,不光是要能用,最好能让大家愿意用我就满足了 : )

Saxons · 发表于 2019-1-11 21:36:05

本帖最后由 Saxons 于 2019-1-17 10:45 编辑

完全可以。刚做了一个保留格式的测试版，各种必要的元素都有识别度。这是测试，里面的东西，除了字体调大，我都没改动。
这是最接近你转换出来的pdf的版本了。
就是css会随着pdf的增加而变大，想想后面还有8万多页的pdf，它的体积会变得多大，想想都可怕，这个需要优化。
这是最接近复刻的了，也就是说pdf是什么样，它就是什么样，如果加上颜色，就更像了。

Saxons · 发表于 2019-1-11 21:38:07

zhuode 发表于 2019-1-11 19:04
7 q( x. w6 a: X( r' K词源部分的斜体字能否保留格式(例:aardvark中的aarde、vark)
) K H- {' R4 K! s最低要求是各种元素要有识别度,不会造成理解 ...

如果可以，你把你先转出来的其他pdf给我，我再测试一下。

kkk888 · 发表于 2019-1-11 22:23:48

Saxons 发表于 2019-1-11 21:366 A7 H1 @! g9 r- |/ P
完全可以。刚做了一个保留格式的测试版，各种必要的元素都有识别度。这是测试，里面的东西，除了字体调大， ...

厉害啊大侠。

zhuode · 发表于 2019-1-11 23:45:10

Saxons 发表于 2019-1-11 21:365 e9 A2 ?5 D' y# p3 v
完全可以。刚做了一个保留格式的测试版，各种必要的元素都有识别度。这是测试，里面的东西，除了字体调大， ...

链接: https://pan.baidu.com/s/1rCOSleuqpKkUigz_Z3PIVw 提取码: ubnr

我以前公开分享后来失效了

hijack999 · 发表于 2019-1-14 22:38:11

向楼主致敬^_^

christianfr1 · 发表于 2019-1-14 23:10:43

感谢分享

christianfr1 · 发表于 2019-1-14 23:10:50

感谢分享

zhuode · 发表于 2019-1-20 01:40:39

本帖最后由 zhuode 于 2019-1-20 01:49 编辑

Saxons 发表于 2019-1-11 21:36
1 O) j! V2 N* ]) G( t, k; |- B% }完全可以。刚做了一个保留格式的测试版，各种必要的元素都有识别度。这是测试，里面的东西，除了字体调大， ...

行间距要调一下，A1最下边那个前面词性标识过挤
今天看了下，USAGE部分可能要你帮下忙，仅从原软件没有找到定位USAGE的办法，可能需要你在数据汇总后筛选出来

Saxons · 发表于 2019-1-20 08:47:47

那是优化的事情，重要的是你把文本全部提出，并且校对，没有重复。
不然，原档有错，制作出来也是错。

另，你有COD9的全部词汇表没有？有的话提供一下，这可以省很多事，也可以减少错误。

zhuode · 发表于 2019-1-20 10:34:27

本帖最后由 zhuode 于 2019-1-20 10:59 编辑

Saxons 发表于 2019-1-20 08:47
# ?5 b- o" J0 R3 b Y5 |那是优化的事情，重要的是你把文本全部提出，并且校对，没有重复。/ T" N, D/ F# C! ?; I5 Z
不然，原档有错，制作出来也是错。

词汇表没有哎,去重我也不大会,贴子中已经指出了重复产生的原因,主词条与子词条Print的pdf内容柤同都是整个词条的内容。也就是说,这不能说是错误,是提取方式必然产生的结果。因为内容完全相同,我觉得技术层面应该是可行的吧,虽然不在我的能力范围之内。可能需要您费点儿力。原光盘的索引本来也不完整,没有词组部分的,也就是说如果在原软件搜词组是没有结果的,自建索引可能是免不了的。

关键吧,我都不会,只能负责这点儿半体力活儿。不过数据的可靠性自认为是有保证的,你从帖中也能看出,数据不光只是提取,还有统计工作,两个是互相独立的进程,两者之中不管谁出错是会比较出来的(举例就是统计的总索引数是85371,那最后的pdf文件总数就应该是85371,对不上肯定哪个地方是不对的,只有弄对才走下一步,要不然后面都不对,重干的仼务量大)。所以能力之内我已尽量实现了。

zhuode · 发表于 2019-1-20 11:45:06

Saxons 发表于 2019-1-20 08:47
$ m0 P9 i! R4 d# L* K那是优化的事情，重要的是你把文本全部提出，并且校对，没有重复。
d" _- ~: ], a3 ~; V不然，原档有错，制作出来也是错。

针对去重,网搜"duplicate finder"可能是个方法

duancj · 发表于 2019-1-20 13:29:42

个人觉得只要有完整的PDF文档，其他的都不是难事，论坛里这么多大牛

thinkinginlast · 发表于 2019-1-20 20:29:05

大侠们，献上小弟膝盖。看来经典复刻成功有望。我等水平有限，等待将来看能不能调整个好的排版。

zhuode · 发表于 2019-1-22 17:51:34

Saxons 发表于 2019-1-20 08:477 U/ V# I4 ~$ H1 I( o/ j
那是优化的事情，重要的是你把文本全部提出，并且校对，没有重复。
! [. B5 k5 W! O5 w$ w1 U$ q5 R不然，原档有错，制作出来也是错。

除USAGE外的部分已经完成,第一时间分享给你:链接: https://pan.baidu.com/s/1LSzUhk5BHjgoAtDcA6Lv6g 提取码: u889

zhuode · 发表于 2019-1-22 17:53:54

bbs 发表于 2019-1-4 11:52
' O3 s! U$ y" H/ P8 m! U- ?' {- w对啊，就是这样，思路完全正确。然后把你这个过程，用按键精灵实现自动化。就可以完成一个完美的MDX了。就 ...

除USAGE部分外COD9数据pdf化已经完成,地址:链接: https://pan.baidu.com/s/1LSzUhk5BHjgoAtDcA6Lv6g 提取码: u889

喬治兄 · 发表于 2019-1-22 19:00:49

zhuode 師姐:
佩服,佩服
您的意志力及戰鬥力真令貧道懾服
我看真沒幾個巾幗英雄有此能耐的用土法煉鋼煉成
男的應該也是曲指可數呀
讚.............

謝謝啦

scju · 发表于 2019-1-23 00:34:21

我有个疑问，tsiank不是已经在制作COD9了吗？那么楼主也是在做同样的工作？所以现在有两组人马在弄COD9？还是因为楼主没参加tsiank的募款赞助，打算自己另外做一个？

zhuode · 发表于 2019-1-23 02:01:23

本帖最后由 zhuode 于 2019-1-23 02:11 编辑

scju 发表于 2019-1-23 00:34
% M8 b$ w P M" D; Y$ O8 z我有个疑问，tsiank不是已经在制作COD9了吗？那么楼主也是在做同样的工作？所以现在有两组人马在弄COD9？还 ...

tsiank原先(据说现在也在重制新版)版本存在一些缺点,如音标缺失、原软件格式未得保留,严格说正是由于发现了一种可以弥补t大版本缺陷的方法又得到b大支持我才决定自己提取的。说实话,实际提取过程比预计的要困难一个台阶。当然还有一点是为了满足自己对COD9的期待,这也是为什么我没有选择与大家分工合作而是独自花费200小时之久来提取该数据以保证质量,另外相信开放数据给大家合众人之力也有助于得到更多样化的版本。

此外,我还有一个小私心,希望可以得到一个原盘复刻版,相信t大未必感兴趣。
还有t大募捐最后成行是须要满足一定数量要求的,而对该风险而我又对COD9慕名已久,再综合上述原因我就果断动手了!

zhuode · 发表于 2019-1-23 10:27:58

Saxons 发表于 2019-1-20 08:47
/ w5 Q0 s5 S6 T4 u4 F9 @那是优化的事情，重要的是你把文本全部提出，并且校对，没有重复。
0 g1 g3 X/ R9 w' a6 m1 d- n不然，原档有错，制作出来也是错。

你要是不急的话,我稍后会出个合并版的pdf,将只有一个文件,还将争取下看能不能实现相同页面去重,在此基础上还会实现USAGE的提取

Saxons · 发表于 2019-1-23 10:38:52

zhuode 发表于 2019-1-23 10:27( [( I7 R) x2 r+ r% f( e$ U
你要是不急的话,我稍后会出个合并版的pdf,将只有一个文件,还将争取下看能不能实现相同页面去重,在此基础 ...

这个最好，不然分页处理八万多个pdf，量太大。而且要想效果好，这个要慢慢来，主要是细节。如果不讲究细节，简单多了。

Saxons · 发表于 2019-1-23 10:52:31

zhuode 发表于 2019-1-23 10:27" C' ? j, m( P+ ]9 ?+ [: A9 N' j
你要是不急的话,我稍后会出个合并版的pdf,将只有一个文件,还将争取下看能不能实现相同页面去重,在此基础 ...

zhuode · 发表于 2019-1-23 12:24:59

Saxons 发表于 2019-1-23 10:38% E2 t$ V. B$ o& k! V
这个最好，不然分页处理八万多个pdf，量太大。而且要想效果好，这个要慢慢来，主要是细节。如果不讲究细 ...

要做嘛就做个好的,过后才不会觉得遗憾也免了再不断修补

zhuode · 发表于 2019-1-23 12:26:04

Saxons 发表于 2019-1-23 10:52
4 e }2 f2 H& K' DConcise Oxford Dictionary Ninth Edition: W* C% m3 V# m ]' R
© Oxford University Press, 1996
' {' x, Z x# @' _; [每一页pdf的这两条不要删掉 ...

想删我还没能力了

lmjiao · 发表于 2019-1-26 00:50:46

伟大的工作，高贵的作者！

		自动登录	找回密码
密码			免费注册

[讨论] COD9完美mdx化的一些个人探索、启发与实践

本帖子中包含更多资源

点评

本帖子中包含更多资源

点评