COD9完美mdx化的一些个人探索、启发与实践

zhuode

Saxons 发表于 2019-1-11 16:14
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。
+ Z/ b+ [# }# e' r! n$ s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

+ D$ B3 g4 e+ Z. z9 z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。
! H! \, L6 P7 R! C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。
. U9 a. a  d6 F) |: M% i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。
! @! d! ?1 q5 O% F/ |% _7 q$ T# M
& L# B/ R" |. B5 D

% o: b8 Z. e) g
& N- h! h2 D1 ~( D4 f8 ^" }. e2 Z
  M; O$ ~) t5 i7 x
) O5 p, C* W+ f& p1 ~+ N8 O

2 ?2 S/ B/ O3 s! V5 F, ]

Saxons

zhuode 发表于 2019-1-11 19:04
! a/ J5 D4 ?( ?/ g" C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 ...

如果可以，你把你先转出来的其他pdf给我，我再测试一下。

kkk888

Saxons 发表于 2019-1-11 21:36
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， ...

; T0 @( v. a- R厉害啊大侠。

zhuode

Saxons 发表于 2019-1-11 21:36
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， ...

4 h1 k7 `4 N* ~2 a8 B链接: https://pan.baidu.com/s/1rCOSleuqpKkUigz_Z3PIVw 提取码: ubnr
* a) K- w" g3 I
我以前公开分享后来失效了

hijack999

向楼主致敬^_^

christianfr1

感谢分享

christianfr1

感谢分享

zhuode

; L3 N9 O% h7 j* m& b' s8 f. O) C

Saxons 发表于 2019-1-11 21:36
, Y' N7 J9 m3 r; b' m  ~$ g- W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

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。
. e7 L/ x$ D6 P  b- j- p不然，原档有错，制作出来也是错。
6 `0 ]3 [+ J' f) H4 }: ?* ?' K
: b' i9 d! ^1 k  O2 t* N( @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

Saxons 发表于 2019-1-20 08:47
2 K, @# P9 }: C+ ]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! o# H9 h  f3 a! }+ p; a不然，原档有错，制作出来也是错。

# S( Z3 ^9 p& A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。
+ v  A0 l1 X/ O
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

Saxons 发表于 2019-1-20 08:47
, i  e4 P1 ^, U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。

针对去重,网搜"duplicate finder"可能是个方法

duancj

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

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

Saxons 发表于 2019-1-20 08:47
# s2 v: T- r% r" y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。

% W' I+ Q. {* `/ _+ D9 D; w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

bbs 发表于 2019-1-4 11:52
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

zhuode 師姐:
佩服,佩服
7 X: Y! T( T9 ^& {: B3 g- k0 @8 ]$ p' ?您的意志力及戰鬥力真令貧道懾服
1 O" `) p0 ^: T1 A5 G, P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
& R+ d9 }4 b9 d# c$ e6 _6 d# s讚.............
謝謝啦

scju

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

+ E1 y3 P5 I0 F) b  S9 L8 _4 L

scju 发表于 2019-1-23 00:34
9 U- z& o  t& O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 ...

6 D7 }" `7 r: w9 G- Q5 v2 Etsiank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。
( P; a+ p" d* r2 D% U
( R. u" k0 `0 l& G# b4 d4 `% ]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

Saxons 发表于 2019-1-20 08:47
; S+ a! `) x/ L4 ], _7 r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。

2 H4 g; P$ @& e+ M) H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

zhuode 发表于 2019-1-23 10:27
3 x$ D0 V- m6 k' x' L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

zhuode 发表于 2019-1-23 10:27
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 ...

- T% f2 n/ L: x; Q$ E4 SConcise Oxford Dictionary Ninth Edition
+ `* e, Y" a  ], A© Oxford University Press, 1996
8 ~- @4 M2 d5 ~每一页pdf的这两条不要删掉，这是定位词条的最好标志，非常有用。

zhuode

Saxons 发表于 2019-1-23 10:38
8 U) b) o2 ~- s) s' a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 ...

$ a; ^# m9 t7 X+ Z7 X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

Saxons 发表于 2019-1-23 10:52
4 P4 g' J, ?( l5 c8 YConcise Oxford Dictionary Ninth Edition
© Oxford University Press, 1996
每一页pdf的这两条不要删掉 ...

想删我还没能力了

lmjiao

伟大的工作，高贵的作者！