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: 1533|回复: 3

[资料] [冷知识]扫描版PDF做不了mdx

[复制链接]

该用户从未签到

发表于 2017-4-29 10:57:21 | 显示全部楼层 |阅读模式
本帖最后由 Oeasy 于 2017-5-2 09:17 编辑
( ?' K4 s7 ]: ]: }' c! ?6 v
3 }* o8 S$ G9 g7 k6 R& @
& R1 H- \9 E5 Y. ^' D隔行如隔山。很多新接触词典的朋友,对于一些“业内”、“行内”的常识不是很熟悉,这是可以理解的,我有时间就简单写几句,科普一下。8 w4 D0 [" m/ [- B6 E
不是很严谨,欢迎补充。; p, L3 s" K% d

2 c8 ~6 Y$ l6 e: a+ O[冷知识]扫描版PDF做不了mdx) W6 }- V' V1 E" p
-> [冷知识]扫描版PDF几乎做不了文字mdx
0 |3 d) C9 z; f4 \! t7 D
5 n8 \1 G) n# N% U9 t经常有朋友公开发帖或者私下来信,“我有某词典PDF,还是高清的噢,你能帮我做成mdx吗”。8 @' E' {+ i3 L0 T* J" v; S7 w
eg. [讨论] 提供OCR的日语国语大辞典第二版PDF,有人愿意做MDX文件吗  http://bbs.gxsd.com.cn/forum.php?mod=viewthread&tid=991790
% @4 {; r1 p- }1 F. T- U, G+ a/ K6 p- x- T4 [9 Z% C
- 首先,你能公开找到的 PDF ,其他人也能找到,说不定你那个 PDF 还是他分享出去的呢。当然班门弄斧、野人献曝的事情,我也经常干的。6 a* e4 B+ D7 X3 j, Q
- 其次,扫描版的 PDF ,是几乎做不了文字版的 mdx 的。OCR效果差,校对耗费时间太多。% M, W& g/ c3 t+ u% H0 L+ b
- 再则,要做图片版的话,耗费时间也很多,我自己是不做了。+ e5 o& C2 l3 h4 l  w
- 加一句,就算是文字版的 PDF ,做 mdx 也不容易。& {  T7 Q2 u( N7 N; u( {. P+ {

4 |' v8 ^0 k5 M: V$ [! s0 a[冷知识]mdx 词典不是人工录入或OCR的 https://pdawiki.com/forum/thread-20643-1-1.html4 _, A0 A% l1 S. i9 y
& k) z: u1 P9 V7 @5 q

本帖被以下淘专辑推荐:

  • · REFIDX|主题: 90, 订阅: 34
  • TA的每日心情
    开心
    2025-1-7 17:15
  • 签到天数: 773 天

    [LV.10]以坛为家III

    发表于 2017-4-29 13:33:00 | 显示全部楼层
    可以做成图片词典一页几分钟(5-X 视难度而定)
    ; |% o1 [! u  z+ S2 X4 x新人们如果找人帮忙,就先请看看自己的付出的值不值别人为你进行上百工时的劳动。。
  • TA的每日心情
    奋斗
    2018-11-10 00:38
  • 签到天数: 346 天

    [LV.8]以坛为家I

    发表于 2017-4-29 18:25:10 | 显示全部楼层
    就事儿说事儿吧,计算机的强项是处理一些简单重复性的工作,如果pdf的格式是图片扫描的,目前的计算机处理起来确实有难度,但如果是基于文本的pdf,应该可以尝试。所谓的字典无非就是序言,正文,词头,解释。利用开源的nltk,完全可以理论上实现这一个过程。基于自然语言的模块很多,例如断句分词啥的都是基本的功能,能解析pdf格式的工具包也有的是,问题是把解析出来的东西转换成mdx可以认可的格式。目前nltk不能接受pdf格式的输入只能接受txt格式的,可以利用nltk扫描没个词头,句子段落啥的。如果该词头随后的一个或者几个句子都出现了该词头的相似词,肯定这个一群相似词所组成的句子是该词头的解释,如果该解释随后生成的nltk能识别的断句中又出现了好几个该词头的句子,肯定是该词头的例句。可能具体的文本类型的格式排版啥的有区别,但仅仅是个大概的思路,折腾计算机总比折腾人工强。

    该用户从未签到

    发表于 2017-4-29 18:45:27 | 显示全部楼层
    经常有朋友公开发帖或者私下来信,“我有某词典PDF,还是高清的噢,你能帮我做成mdx吗”。.
    * @# Q- S  G7 J# p# ^--------------------------/ q# _- G: ~+ {- H! f9 j
    针对的就是这个事情。
    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, 2025-7-9 19:43 , Processed in 0.022372 second(s), 23 queries .

    Powered by Discuz! X3.4

    © 2001-2023 Discuz! Team.

    快速回复 返回顶部 返回列表