掌上百科 - PDAWIKI

 找回密码
 免费注册

QQ登录

只需一步,快速开始

查看: 4140|回复: 9

[求助] Word and phrase origins[2008版, 高清, 可复制]

[复制链接]
  • TA的每日心情
    擦汗
    2026-5-17 21:46
  • 签到天数: 45 天

    [LV.5]常住居民I

    发表于 2013-9-27 17:46:08 | 显示全部楼层 |阅读模式
    请各位看看这个http://www.baidu.com/link?url=YB ... igasAC20NXFW8hNMJda, 看看能否转换成mdx

    该用户从未签到

    发表于 2013-9-28 05:30:27 | 显示全部楼层
    dingyang 发表于 2013-9-27 23:06
    ( T7 d. w6 Q# e$ DPDF很难转成mdx的
    4 l' t2 u; p. q) h
    {: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。! ^% b2 N! }- y5 ]$ N, e& p
    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。
    1 O" z) S$ g1 n; T& G) o/ k3 B+ V4 Q3 j4 K9 Z+ }
    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。; X" m. u- L1 ?! }$ |3 H7 d
    提供几个思路
    5 B8 d& N0 N: M6 ~: C5 Q/ u9 Q) Z* g7 W1. 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。# x0 X/ x. P5 `: y
    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。. Y" w" ?6 ~2 c
    未实际操作,供参考。

    评分

    1

    查看全部评分

  • TA的每日心情
    开心
    2019-8-21 08:44
  • 签到天数: 163 天

    [LV.7]常住居民III

    发表于 2018-11-25 16:50:10 | 显示全部楼层
    本帖最后由 mikeee 于 2018-11-25 18:08 编辑
    2 p' D, ^3 C* ~7 o) Q, X) i; c8 ^9 b& p9 p! Z- ]  ~  Z
    有一个办法应该可行:先用 Abbyy Finereader 转成 docx,docx再转成 htm。) j" R- u/ n2 W! K

    ' \9 c; n: h, D7 ?) h5 N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。- u) o9 O6 W- Q+ E
    & U) Y; B7 O1 P. k: z& M
    Chrome Devtools 大致看了看:css selector: p.Bodytext21 可定位所有的释义2 W" }. `' @3 e+ K- r  y
    css selector:p.Bodytext21>span.Bodytext2Bold 可定位释义里的粗体: g+ l+ @2 d7 ^; w

    9 I1 q% u1 T7 W% W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 9 F+ s7 a/ i) }! h) Y% G: Y/ p

    $ {5 g! W3 J! Z3 f& h' f6 G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
    ) J* `9 g6 {) D" l1 J7 o
    1. '''word and phrase orgins test; m- ~0 Q0 Q& v9 @  [* u
    2. '''
      ( Q. J' F. j5 Z. X
    3. from pyquery import PyQuery as pq
      8 H  s/ G8 {1 V! E8 l

    4. ( c7 J4 M* g  j7 Q* c
    5. file = r'WordandPhraseOrigins.htm'
      # h2 h: ]8 K( L$ O+ A% c
    6. try:
      2 _. Z$ f, J; f; l: O" P( L, R9 |3 f
    7.     html = open(file, 'rt', encoding='utf8').read()9 _% m6 j3 E/ _! V  N/ K. i
    8. except Exception as exc:0 q. W! K4 y$ L' L5 W5 \+ }& c. K- i
    9.     print('error: {}. Trying gb2312...'.format(exc))
      . @8 I8 X( u! m( {
    10.     try:
      : B% }' |7 o( q, T0 m( A
    11.         html = open(file, 'rt', encoding='gb2312').read()
        x, _$ s; D& ~" u) P5 E/ `
    12.         print('Looks good')) G: ]8 d4 E# {. j
    13.     except Exception as exc:- y1 H, }: I) h: f6 z
    14.         SystemExit('error: {}. Giving up...'.format(exc))3 V, H* p  }3 J
    15. doc = pq(html); L# H* X  V8 O" n7 _2 W7 g3 T
    16. 6 |# R2 _6 K" P7 X" ^
    17. css_text = 'p.Bodytext21'
      / V# H5 g; k1 i; E' X) S
    18. css_bold = 'p.Bodytext21>span.Bodytext2Bold'+ i, t6 k' [, W6 ~! ^
    19. 7 T9 U0 i. f; t
    20. items = doc(css_text)
        R, j! u  f/ I! u1 n% Q  J
    21. / P/ {4 O' K+ y
    22. text = doc(css_text).map(lambda idx, elm: pq(elm)(- ]6 T8 i! F3 _  X( @
    23.     'span.Bodytext2Bold').text() + ('(hw)\n' if pq(elm)('span.Bodytext2Bold').text() else '\n') + pq(elm)('span.Bodytext20').text())
      * s5 z& Q5 Z$ X) j9 \
    24. print('\n\n'.join(text[:60])): V2 F: E- o! Y  B
    复制代码
    上面码的输出大致这个样子:
    。。。
    3 ^2 E9 y$ _6 x$ K' {8 S/ @8 kA-Rod.(hw)" }4 h2 T* V4 }0 W9 v9 W
    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.
    * S- s6 [. l+ {; e  v3 p1 l& d/ ]6 ]; `7 {7 z: q6 p% D6 X
    around Cape Horn.(hw)+ d6 H! k, t$ Z# t) `- @6 q! X1 P
    An expression once used in whaling communities to mean “being away on a whaling voyage.” One old poem went:+ ~# |6 z0 D/ U+ {
    - V" `+ m! l% d$ y! T# u

    : K: V) |, f" S' ?# j“I’ll tell your father, boys,” I cried To lads at play upon my lawn.+ M; l' u# a; q8 v8 X
    5 k. q6 b7 N1 W1 u) I6 S$ d" {  B
    # o5 p( \6 Q' l) {9 |1 a
    They chorused back, “You’ll have to go Around Cape Horn.”
    2 W9 h4 q; [1 U3 ?6 D1 n
    9 w/ D- A# s7 Z( ]9 [2 e* Jaround the horn.(hw)' a9 C( k" Y$ V4 @  o
    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.( \0 M. l" r4 L# x
    % E8 z* s9 z5 e# m7 f" J
    arrant thief; knight errant.(hw)3 F8 m/ s$ A! p+ L. ?
    was 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-
    % H/ v# O1 J$ M。。。
    2 l! o3 ?6 B) {
    顺便安利一下 pyquery,是不是完爆正则、bs4、lxml
    , U5 w' [1 W+ B* g7 {% c
    ; a* N$ n  ]+ O. H! Q
    ! v1 N, i9 u; t! b6 z0 o
    7 ^& D. D) ]  g2 t

    评分

    1

    查看全部评分

  • TA的每日心情

    2023-8-3 00:11
  • 签到天数: 1 天

    [LV.1]初来乍到

    发表于 2013-9-27 23:06:41 | 显示全部楼层
    PDF很难转成mdx的
  • TA的每日心情
    开心
    2019-9-3 09:48
  • 签到天数: 3 天

    [LV.2]偶尔看看I

    发表于 2013-9-29 17:38:36 来自手机 | 显示全部楼层
    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……
  • TA的每日心情
    开心
    2019-8-11 07:55
  • 签到天数: 606 天

    [LV.9]以坛为家II

    发表于 2013-9-29 20:56:28 | 显示全部楼层
    shbf 发表于 2013-9-29 17:38 ! h# l& `- i( p  O  q6 I" O5 k
    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 t. R/ ~7 e9 ~& w" f
    期待新作品,辛苦了。
  • TA的每日心情
    擦汗
    2026-5-17 21:46
  • 签到天数: 45 天

    [LV.5]常住居民I

     楼主| 发表于 2013-10-1 14:30:14 | 显示全部楼层
    shbf 发表于 2013-9-29 17:38   d( v9 b6 O0 u% C9 V
    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……
    & y1 B0 m0 z# O) B% {, M7 e' ?
    期待新作品,辛苦了。Many thanks! {:5_213:}
  • TA的每日心情
    开心
    2019-9-3 09:48
  • 签到天数: 3 天

    [LV.2]偶尔看看I

    发表于 2013-10-5 09:07:51 来自手机 | 显示全部楼层
    词典文本已导出并处理……基本无误,两栏问题完美解决。
    ; b# z$ ~# z' F/ O% y+ g' ]8 |
    3 R# c3 G4 N* S1 i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。
    9 S: R# o! f; W+ d2 [
    & E6 Z0 n+ J. Q: D1 s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!9 j$ j! Z, I9 G( P5 M; s4 p
    http://pan.baidu.com/share/link?shareid=1686563253&uk=3759036089
  • TA的每日心情
    奋斗
    2019-3-25 01:00
  • 签到天数: 99 天

    [LV.6]常住居民II

    发表于 2018-11-24 22:20:14 | 显示全部楼层
    感谢 shbf 兄的辛勤工作。
  • TA的每日心情
    开心
    2019-8-21 08:44
  • 签到天数: 163 天

    [LV.7]常住居民III

    发表于 2018-12-27 13:39:42 | 显示全部楼层
    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。
    ' U$ Q; u$ r9 O; d# X; ?# R- P# e( T# W下载mdx:https://www.pdawiki.com/forum/fo ... p;extra=#pid1035923
    ' E5 t3 c. E4 _- g
    5 @) D* v$ g( s' i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
    您需要登录后才可以回帖 登录 | 免费注册

    本版积分规则

    小黑屋|手机版|Archiver|PDAWIKI |网站地图

    GMT+8, 2026-8-1 11:41 , Processed in 0.035725 second(s), 29 queries .

    Powered by Discuz! X3.4

    © 2001-2023 Discuz! Team.

    快速回复 返回顶部 返回列表