【完成】pdf 转 mdx：Dictionary of Cliches (Facts on File)

mikeee

' m3 e8 q& s; V, @0 s1 S1 z" C8 r
/ V' Y5 I3 n: S% o1 C再来用 PDF 做个 mdx，Dictionary of Cliches的pdf文件论坛里可以搜到。大致看了一下，估计两小时的工作量——最后用了不下10小时。步骤：

• 上传pdf到 https://pdftohtml.net, 几分钟后下载转成了 html 的文件。
• 用 Chrome 打开解压后得到的 html 文件， F12调出 devtools。稍微研究一下后即可得知，div.cls_025>span.cls_025,div.cls_025>span.cls_023,div.cls_023 的 css selector 可以完美定位所需的内容。div.cls_025>span.cls_025 定位的是词头, div.cls_025>span.cls_023,div.cls_023定位词义。几行python搞定。（用 bs4 或lxml应该也是可以的， 其实pq是基于 lxml的etree元素。用node的cheerio的话基本思想差不多，码可能更简洁。用正则的话当然就用不了css selectors，可能会繁琐一点。）
  1. from pyquery import PyQuery as pq
     $ F. z1 F$ ~6 V( _: q( K
  2. 
     
  3. file = r'C:\Users\xyz\Downloads\Dictionary of Cliches (Facts on File)\b67f0a6e-1e61-11e9-8f58-0cc47a792c0a_id_b67f0a6e-1e61-11e9-8f58-0cc47a792c0a.html'
     . o/ j% T) v4 H  Y
  4. doc = pq(open(file, encoding='utf8').read())
     2 a( n7 {' i1 Q4 A- |
  5. 
     
  6. hw_css = 'div.cls_025>span.cls_025'
     
  7. ctx0_css = 'div.cls_025>span.cls_023'
     * ]- v' l, S5 {% d/ L7 l; \, @
  8. ctx0a_css = 'div.cls_025>span.cls_028'
     
  9. ctx0b_css = 'div.cls_028'  # capital, references
     2 h# t" ^+ [1 ?/ K8 S
  10. ctx0c_css = 'div.cls_027'  # italics, book names
      * x0 K/ E; d$ m/ r
  11. ctx1_css = 'div.cls_023'
      8 U0 q0 B4 b* o: I' ]- M
  12. hw_ctx_css = f'{hw_css},{ctx0_css},{ctx0a_css},{ctx0b_css},{ctx0c_css},{ctx1_css}'
      
  13. 
      9 K0 G0 }% x. @0 U
  14. # css selector 到最后比我预期的复杂些， 所以用 abbyy finereader 可能比用 pdftohtml.net 简单些。
      
  15. items = doc(hw_ctx_css)

  复制代码
  我们要的东西在 items 里。稍微处理一下 items 得到 由(词头，词义)组成的 entries
  1. entries = []
     5 c1 U. J6 x. L# ~  \
  2. hw = ''
     ; }1 N% P8 Y6 ]8 s) z$ I) D9 c- D
  3. ctx = ''
     
  4. 
     
  5. upper_b = 50
     ' {& t( r% [  j0 U! N- F
  6. for elm in items[: upper_b]:
     
  7.     tmp = pq(elm)
     2 p5 Z9 j5 q, c7 B* R
  8.     if tmp.attr('class') == 'cls_025':
     
  9. 
     
  10.         entries += [(hw, ctx)]
      + ~8 |7 v' D2 u* N
  11. 
      - V- u" T+ i/ L( x/ E) t" m3 o, A
  12.         hw = tmp.text()
      
  13.         ctx = ''
      - a! N# t" ~+ B6 Y& }) }$ ?
  14.     else:
      
  15.         ctx += f' {tmp.text()}'
      8 y) B# B7 b4 v8 B
  16. 
      # s4 W* n0 s. j+ _6 h0 r
  17. # collect the last batch
      
  18. entries += [(hw, ctx)]
      
  19. 
      
  20. def proc_func(ctx):
      
  21.     ctx = ctx.strip()
      
  22. 
      , r5 ^1 ?/ ]! M7 ^; k- s0 Y
  23.     # insert a space after .: [a-z]\.)([^\s])
      ; ], g, ?3 f! F! O( x* G
  24.     ctx = re.sub(r'([a-z]\.)([^\s])', r'\1 \2', ctx)
      0 H/ `6 c4 i7 h& e! C
  25. 
      0 f& S4 U% |2 f' N2 v
  26.     # remove spaces
      ; t- \5 t' r" H9 j. ^
  27.     ctx = re.sub(r'\s\s+', r' ', ctx)
      
  28.     return ctx
      ! y  B2 `" E4 w- x2 ]$ O
  29. 
      
  30. entries = [(elm[0], proc_func(elm[1])) for elm in entries]
      
  31. 
      
  32. print(entries[:3])

  复制代码
  输出为
  1. [('', '—Christine Ammer —Christine Ammer'), ('about face, to do an',  'To reverse a decision or change one’s opinion. The term comes from the American military command to turn 180 degrees at attention, dating from the mid-nineteenth century, and by 1900 was being used figuratively. A more recent colloquial usage is to do a 180, but it has not yet reached cliché status.'), ('about the size of it',  'An approximately accurate version of a situation, event, or circumstance. It generally is used as a summing up: “That’s about the size of it. ”')]

  复制代码
  基本大功告成了。其实后面还是有很多事要做。
• 转成（mdxbuilder可用的） mdxhtml 格式（其实也可以直接用writemdict直接做成 mdx）。pdftohtml.net 转的html含位置信息，要抽取词头和释义以及参考链接还是要费点周折。折腾了几个晚上。结果是上传的三个py文件（mapping_dict.py用于处理一些特殊的链接）。运行 gen_mdicthtml.py 即可生成 dict_of_cliches_mdict.html。用 mdxbuilder 处理 dict_of_cliches_mdict 即可得到 mdx 和 mdd。所有的 py、html及 css、封面 png 打成包（见附件），python码比较乱，没有整理，但Py3.6下是可以运行的，有兴趣的网友可以折腾一下。
• Mdxbuilder 处理 dict_of_cliches_mdict.html 生成 mdx、mdd。（见附件）词头做了分拆，有交叉索引链接。见下图。
• 改进：找时间再做个可以查独立单词或词组的详细索引，进一步提高字典的可用性。
• 结语：如果 pdf 文件的内容是英文的并且可以拷出来，用 pdftohtml.net 转 html 再用 css selector 可以非常方便的自动处理词头和释义。但也有不少坑——漏掉一类  css selector就会导致内容的遗失。
  

jonah_w

厉害了，要跟楼主学习

潇潇天

很厉害，就是看不懂

lyc1060026905

厉害厉害，支持楼主！

saluttous

厉害，根本看不懂

mikeee

做完了，没有人工校对，免费下载 mdx。欢迎交流。

zakzak

感谢楼主分享====

haoduodianying

楼主厉害啊 膜拜以下  

mrfu

膜拜楼主

! }& W* k1 k. Y; d# J/ s$ n