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
1 [/ x% C: _; HPDF很难转成mdx的

4 O5 q9 g# x/ I8 ?3 Z{: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。
$ Z1 {& B  j/ b. I  O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。

Self-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。
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。
2. 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。
未实际操作，供参考。

mikeee

+ ^7 t; @+ U/ |
有一个办法应该可行：先用 Abbyy Finereader 转成 docx，docx再转成 htm。
! i/ @1 X3 M0 {) t' C3 C- Y
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。

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

7 t$ U3 g1 \; S+ @. Z9 z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

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
   
2. '''
   9 T4 N) Y# ?0 T* l' E5 o
3. from pyquery import PyQuery as pq
   
4. 
   % J% E8 Y7 Q/ N& U1 s2 z! C% S
5. file = r'WordandPhraseOrigins.htm'
   
6. try:
   
7.     html = open(file, 'rt', encoding='utf8').read()
   
8. except Exception as exc:
   
9.     print('error: {}. Trying gb2312...'.format(exc))
   
10.     try:
    
11.         html = open(file, 'rt', encoding='gb2312').read()
    5 v2 H2 W8 j2 Z
12.         print('Looks good')
    
13.     except Exception as exc:
    
14.         SystemExit('error: {}. Giving up...'.format(exc))
    
15. doc = pq(html)
    
16. 
    $ A0 H( u; T+ A
17. css_text = 'p.Bodytext21'
    % H, }) x: K! s! p" z  L& [
18. css_bold = 'p.Bodytext21>span.Bodytext2Bold'
    
19. 
    ( ?3 a+ c! i- I
20. items = doc(css_text)
    3 a  l7 j$ o+ y6 j' }
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]))
    

复制代码

上面码的输出大致这个样子：

。。。
7 y) Y+ `* T: w$ L' b) u4 jA-Rod.(hw)
6 O9 {0 N+ I- y: s9 E2 g3 zPeople 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.

" E1 f; c2 j  V* w- \% _around Cape Horn.(hw)
An expression once used in whaling communities to mean “being away on a whaling voyage.” One old poem went:


6 c6 s/ N! ^3 {3 V2 _2 T& `“I’ll tell your father, boys,” I cried To lads at play upon my lawn.

3 G9 s. ]+ n" t* d/ B
4 g  W0 B! h+ ^4 O2 m3 k: z7 AThey chorused back, “You’ll have to go Around Cape Horn.”
6 Y$ ]5 q. h7 K1 h
around the horn.(hw)
: ]+ s9 J/ \  H$ eIn 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.

. f/ r: y5 ^/ C4 t: H* ~- }' J4 darrant thief; knight errant.(hw)
8 [5 m2 E! N& cwas 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-
。。。

顺便安利一下 pyquery，是不是完爆正则、bs4、lxml？
4 }2 }8 a' d9 t: K  e, C7 S; t' f9 B
6 p' m4 A* L% C9 e* L* d6 T

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
" _; X1 \. z- \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……

期待新作品，辛苦了。

字典粉丝

shbf 发表于 2013-9-29 17:38
/ e' T" Z6 P! H# s) @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……

7 {* X& o1 `2 y. n% Y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。
$ s1 J. N* Z2 t3 A
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。

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！
http://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。
下载mdx：https://www.pdawiki.com/forum/fo ... p;extra=#pid1035923
5 B$ ~/ j. F3 z" f1 B. G
" G1 U/ |' O. I' D' T+ @; s7 v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 。